Vous êtes sur la page 1sur 184

Traitement du Signal

Gerard Scorletti

To cite this version:


Gerard Scorletti. Traitement du Signal. Engineering school. STI tc2 Traitement du Signal,
Ecole Centrale de Lyon, 2013, pp.193. <cel-00673929v2>

HAL Id: cel-00673929


https://cel.archives-ouvertes.fr/cel-00673929v2
Submitted on 16 Aug 2012 (v2), last revised 17 Jan 2016 (v4)

HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est


archive for the deposit and dissemination of sci- destinee au depot et a la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publies ou non,
lished or not. The documents may come from emanant des etablissements denseignement et de
teaching and research institutions in France or recherche francais ou etrangers, des laboratoires
abroad, or from public or private research centers. publics ou prives.
Departement Electronique Electrotechnique Automatique
Equipe Automatique Traitement du Signal
Tronc Commun - UE STI
Cours STI tc2 Traitement du signal
2012-2013

Unite dEnseignement
Science et Technologie de lInformation
Traitement du signal
Version de lannee 2012-2013

Gerard Scorletti
Departement EEA, bat H9
e-mail : gerard.scorletti@ec-lyon.fr
2

SIGNAL, n. m. (v. 1220) secrit aussi seignal au XIIIe s. (v. 1265) ; le mot, qui correspond a
lancien provencal sennal (1174), est un emprunt au bas latin signale signe , neutre substan-
tive du bas latin signalis qui sert de signe , derive du latin classique signum ( signe).

Le mot apparat en francais avec des sens particuliers : quillon dune epee , sceau avec
lequel on signe un acte (v. 1260, seignau ), et cest aussi le nom dune constellation (v. 1265).
Il signifie aussi ce dont un proprietaire marque un animal , marque sur la peau (v. 1298),
gros grain de chapelet (1328), etc. Dans tous ces emplois, signal designe des signes natu-
rels ou conventionnels qui constituent ou donnent des informations ; aujourdhui, dans lusage
courant, signal correspond a un signe de nature conventionnelle, meme si pour les theoriciens,
le signal peut etre forme par un signe naturel. Le mot designe en particulier (1540) un signe
convenu fait pour indiquer le moment dagir, dou la locution donner le signal (1798). Il sest
dit (1690) dun moyen utilise pour porter au loin une information ; il designe (1718) le fait
par lequel un processus commence et qui constitue un signe, un symptome de ce processus au-
jourdhui (XXe s.) surtout dans les emplois didactiques, par exemple en psychanalyse, signal
dangoisse.

Avec la valeur signe conventionnel , il semploie pour bouee flottante (qui marque la
place des filets) (1769), en marine dans Code international des signaux (1868), couramment
ceux qui reglent la circulation (1875, dans les chemins de fer), puis dans les telecommunications
(1933), en informatique (v. 1970). Cest un concept essentiel, a linterieur de la notion theorique
large de signal , concernant tous les canaux de communication (signaux visuels, acoustiques,
olfactifs, surtout en ethiologie, chimiques ).

Le ROBERT, Dictionnaire Historique de la Langue Francaise, sous


la direction dAlain Rey, page 3504, Janvier 1999
Table des matieres

1 Introduction 9
1.1 Le signal au service de letre humain . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Limportance du signal dans nos societes contemporaines . . . . . . . . . . . . . 10
1.3 Les signaux utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Plan du cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Ou trouver linformation ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Remarques sur lutilisation de ce document . . . . . . . . . . . . . . . . . . . . 12
1.7 Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Modeliser et caracteriser un signal : Analyse en temps et en frequence 15


2.1 Introduction a la notion de frequence . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Signaux modelises par des fonctions definies sur un intervalle T2 , T2 : series de Fourier 17
2.3 Signaux modelises par des fonctions periodiques : series de Fourier . . . . . . . 21
2.4 Signaux modelises pour des fonctions non periodiques : Transformee de Fourier . 25
2.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 Definition de la transformee de Fourier . . . . . . . . . . . . . . . . . . 28
2.4.3 Proprietes de la transformee de Fourier . . . . . . . . . . . . . . . . . . 29
2.4.4 Energie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.5 Un exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Limites de la modelisation des signaux par des fonctions . . . . . . . . . . . . . 32
2.6 Au-dela des fonctions : les distributions . . . . . . . . . . . . . . . . . . . . . . 36
2.6.1 Definition des distributions . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.6.2 Operations de base sur les distributions . . . . . . . . . . . . . . . . . . 39
2.6.3 Transformee de Fourier dune distribution . . . . . . . . . . . . . . . . . 42
2.6.4 Transformee de Fourier de fonctions (au sens des distributions) . . . . . 45
2.7 Exemples danalyse frequentielle . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.7.1 Caracterisation de laudition humaine . . . . . . . . . . . . . . . . . . . 48
2.7.2 Description de la bande VHF . . . . . . . . . . . . . . . . . . . . . . . . 50
2.8 Resolution dequations differentielles ou de la transformee de Fourier a la transformee de Laplace 5
2.9 En resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.10 Annexe du chapitre : un exemple de script Matlab . . . . . . . . . . . . . . . . 56

3 Modeliser et caracteriser un systeme : Convolution et filtrage frequentiel 59


3.1 Un exemple introductif : la compression MP3 . . . . . . . . . . . . . . . . . . . 59
3.2 Filtrage frequentiel : objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3 Systemes de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.1 Produit de convolution et systemes de convolution . . . . . . . . . . . . 62
3.3.2 Produit de convolution et distribution . . . . . . . . . . . . . . . . . . . 67
3.3.3 Sortie dun systeme de convolution pour une entree sinusodale : reponse harmonique 69

3
4

3.3.4 Produit de convolution et transformees de Fourier et de Laplace . . . . . 70


3.3.5 Systeme de convolution et fonction de transfert . . . . . . . . . . . . . . 72
3.3.6 Simulation dun systeme de convolution . . . . . . . . . . . . . . . . . . 73
3.4 Filtrage frequentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4.1 Filtres analogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4.2 Lideal peut-il etre atteint ? . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.3 Filtres analogiques classiques . . . . . . . . . . . . . . . . . . . . . . . 77
3.5 Fenetrage temporel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.6 En resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.7 Annexe du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.7.1 Un environnement evolue de simulation signaux et systemes : Simulink 96
3.7.2 Exemple de script Matlab pour le calcul de filtres . . . . . . . . . . . . 98

4 Autocorrelation et intercorrelation des signaux deterministes 101


4.1 Energie et puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.1.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.1.2 Intercorrelation et autocorrelation . . . . . . . . . . . . . . . . . . . . . 104
4.1.3 Densites spectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2 Quelques applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2.1 Autocorrelation appliquee a lextraction dinformation dun signal degrade 106
4.2.2 Intercorrelation appliquee a la mesure dun temps de propagation . . . . 108
4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

5 De lanalogique au numerique 111


5.1 Modelisation dun signal discret par peigne de Dirac . . . . . . . . . . . . . . . 112
5.1.1 Transformee de Fourier dun signal discret . . . . . . . . . . . . . . . . 112
5.1.2 Transformee en Z dun signal discret . . . . . . . . . . . . . . . . . . . 113
5.1.3 Expression dun signal discret basee sur un peigne . . . . . . . . . . . . 114
5.2 De la transformee de Fourier dun signal echantillonne . . . . . . . . . . . . . . 115
5.3 Theoreme de Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.3.1 Lenseignement de Shannon . . . . . . . . . . . . . . . . . . . . . . . . 120
5.3.2 De lart de bien echantillonner . . . . . . . . . . . . . . . . . . . . . . . 121
5.3.3 De lart de reconstituer un signal continu a partir du signal echantillonne 123
5.4 De la transformee de Fourier discrete aux analyseurs de spectre numeriques . . . 124
5.4.1 TFD pour le calcul du spectre de signaux a support fini . . . . . . . . . . 126
5.4.2 TFD pour le calcul du spectre de signaux periodiques . . . . . . . . . . . 131
5.4.3 Principe de lanalyseur numerique de spectre . . . . . . . . . . . . . . . 136
5.5 En resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.6 Annexe du chapitre : exemples de scripts Matlab . . . . . . . . . . . . . . . . 139

6 Filtrage numerique 141


6.1 Convolution discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.1.1 Produit de convolution discret et systemes de convolution discrets . . . . 141
6.1.2 Systeme de convolution discret et fonction de transfert . . . . . . . . . . 143
6.2 Conception de filtres a reponse impulsionnelle infinie . . . . . . . . . . . . . . . 146
6.3 Conception de filtres a reponse impulsionnelle finie . . . . . . . . . . . . . . . . 152
6.3.1 Conception par la methode du fenetrage . . . . . . . . . . . . . . . . . . 155
6.3.2 Conception par echantillonnage frequentiel . . . . . . . . . . . . . . . . 160
6.4 Une remarque en guise de conclusion . . . . . . . . . . . . . . . . . . . . . . . 162
5

6.5 Annexe du chapitre : exemples de script Matlab . . . . . . . . . . . . . . . . . 162


6.5.1 Conception de filtres RIIs . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.5.2 Conception de filtres RIFs . . . . . . . . . . . . . . . . . . . . . . . . . 164

7 Des signaux deterministes aux signaux aleatoires 167


7.1 Energie et puissance pour les signaux discrets . . . . . . . . . . . . . . . . . . . 167
7.2 Signaux aleatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.2.2 Modelisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
7.2.3 Quelques applications . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.3 Modelisation dun signal par un filtre generateur . . . . . . . . . . . . . . . . . . 174
7.3.1 Filtre generateur par la methode de Yule-Walker . . . . . . . . . . . . . 174
7.3.2 La methode de Yule-Walker comme solution dun probleme doptimisation 180
7.3.3 Une application des filtres generateurs : le codage LPC en traitement de la parole180
7.4 Annexe du chapitre : exemples de script Matlab . . . . . . . . . . . . . . . . . 182
6
Modalites pratiques de STI tc2

M ERCI DE LIRE ATTENTIVEMENT LES MODALIT ES DE FONCTIONNEMENT DE L EN -


SEIGNEMENT STI TC 2 T RAITEMENT DE S IGNAL.

Seances de TD :
1. Les differentes activites commencent a lheure planifiee. En particulier, les respon-
sables de TD sont autorises a ne pas accepter les eleves nayant pas la delicatesse de
respecter lhoraire. Dans ce cas-la, ils seront portes absents. Lenseignement de traite-
ment du signal est suffisamment dense pour ne pas pouvoir se payer le luxe de perdre
du temps. 8 minutes de retard sur 7 seances font environ une heure en moins !
2. Un corrige des exercices traites en TD sera disponible sur le serveur pedagogique
lorsque tous les groupes de TD auront traites le sujet. Il ny aura pas de corrige pour
les travaux preparatoires.

Travail preparatoire :
1. Le travail preparatoire dune seance de TD est prepare par tous les eleves du groupe et
presente par un (ou plusieurs) eleve(s) designe(s) par lencadrant de TD a partir de la
liste des eleves, le jour de la seance. Parallelement, une ou (plusieurs) copie(s) seront
ramassees pour evaluation. En cas de travail non effectue ou dabsence non justifiee
dun eleve designe, la note sera de 0.
2. Un des exercices du test final sera pris dans lensemble des exercices des travaux
preparatoires.
3. Les presentations doivent etre claires, precises et efficaces. Elles contribuent a preparer
les eleves a la communication technique.

Le controle des connaissances de la competence Savoir se decompose en premiere session


en 3 parties.
1. Correction du travail preparatoire de TD (10% de la note totale).
2. Microtest : il sagit dun test de 1h lors de la 4ieme seance de cours dans lequel le sujet
sera resolu par binomes (10% de la note totale).
3. Test terminal (80 % de la note totale). ATTENTION, les seuls documents autorises
sont des formulaires qui seront distribues en cours de semestre et une feuille de papier
A4 ou les eleves pourront ecrire un resume de cours1 Ils rendront cette feuille avec
leur copie.
1
Un resume de cours ne doit pas comprendre delements des TDs.

7
8

Apres publication aupres des eleves de la note totale, deux seances de consultation de copies
seront organisees.

Les eleves qui desirent des precisions sur la note totale ou constatent des problemes au-
ront un delai de 3 semaines apres la publication des notes par le Service de Scolarite pour
contacter le responsable du cours. Passe ce delai, aucun demande ne sera prise en compte.

A lissue de la seconde session, la note de Savoir sera constituee par la note de test de la
seconde session.

Assiduite : conformement au reglement de scolarite, la presence est obligatoire pour toutes


les activites de STI tc2. Si cest une condition necessaire, elle nest cependant pas suffisante
pour pleinement profiter de lenseignement de traitement du signal.

1. Toute absence doit etre justifiee aupres de ladministration.

2. Pour la seance de microtest, en plus de la justification aupres du Service de Scolarite,


toute absence doit etre signalee par email aupres du responsable de cours. Si ces deux
demarches sont effectuees et labsence est excusee par le Service de Scolarite, la note
finale sera calculee avec un poids de 90 % pour le test final. Sinon, la regle generale
sapplique avec une note de microtest de 0.

3. En cas dabsence non excusee par le Service de Scolarite dun eleve designe a partir
de la liste des eleves du groupe de TD pour presenter le travail preparatoire ou pour
donner sa copie, la note de travail preparatoire sera de 0. En cas dabsence excusee par
le Service de Scolarite, la note finale de Savoir sera calculee avec un poids de 90 %
pour le test final au lieu de 80 %.

4. En cas dabsence non excusee par le Service de Scolarite en seance de TP de 4h, leleve
ne pourra pas se presenter a la seance de BE de 2h et aura 0 pour note de Savoir Faire
de STI tc2. En cas de presence dans la seance de TP de 4h et dabsence non excusee par
le Service de Scolarite dans la seance de BE de 2h, la note de Savoir Faire sera calculee
en prenant 0 pour note de BE. En cas dabsence excusee par le Service de Scolarite en
seance de TP de 4h, leleve pourra participer a une autre seance a condition quil nait
aucune activite programmee sur ce creneau et que leffectif du groupe le permette. Un
eleve ne peut se presenter en seance de BE de 2H que sil a effectue la seance de TP
4h. En fin de semestre, le responsable de lAF essaiera en fonction des possibilites
du planning dorganiser une seance de rattrapage pour le TP 4h et le BE 2h. En cas
dimpossibilite et dabsence excusee par le Service de Scolarite de leleve, leleve
naura pas de note de Savoir Faire pour lAF.
Chapitre 1

Introduction

1.1 Le signal au service de letre humain


Un signal est une grandeur qui depend du temps t. Cette grandeur est souvent physique.
La grandeur dun signal peut etre de differents types :
Information : par exemple le son qui est une variation de la pression de lair, voir figure 1.1 ;

Cliquer pour ecouter


Alleluia du Messie de Haendel
0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8
0 1 2 3 4 5 6 7 8 9
t

F IG . 1.1 Alleluia dHaendel

Energie : par exemple la tension du secteur ;


Matiere : par exemple un debit deau en un point dun canal dirrigation.
Les outils presentes dans lAction de Formation STI tc2 concernent plus particulierement les
signaux porteurs dinformation.

Les signaux occupent une place preponderante dans la vie de tout etre humain puisquils sont ce
qui permet a un etre humain de percevoir son environnement et dinteragir avec lui.
Detection Letre humain detecte les signaux issus de son environnement (sons, odeurs, images,
etc..) grace a ces capteurs (oreilles, nez, yeux, etc...).
Traitement Il les traite et les interprete (par exemple, il isole un son particulier).

9
10 C HAPITRE 1 I NTRODUCTION

Generation Il est capable de generer des signaux a destination de son environnement.

1.2 Limportance du signal dans nos societes contemporaines


Cest un lieu commun que daffirmer que notre societe contemporaine est la societe de linforma-
tion. Linformation y est vehiculee par les signaux. Face a la masse des signaux quil est necessaire
de traiter, souvent en temps reel, les ingenieurs ont cree des systemes technologiques dune grande
complexite. Ceux-ci ont envahi notre societe et font parti des objets incontournables de notre quo-
tidien.
En reponse aux enjeux de la societe actuelle, des methodes scientifiques puissantes pour gerer
une telle complexite ont ete developpees par les chercheurs en Sciences de lIngenieur. La matrise
de ces methodes devient de plus en plus incontournable dans la pratique de lingenieur quelque
soit le domaine auquel il se destine.
Lobjectif de cet enseignement est de donner des bases scientifiques minimales prealables a
lacquisition et a la matrise de ces methodes. Dautre part, combinee avec les enseignements
dAutomatique, il sagit de contribuer a lacquisition de lapproche systeme , incontournable
lorsquil sagit de developper des systemes dune certaine complexite, meme si leur finalite nest
pas de gerer de linformation1

Dans le traitement de linformation, il est necessaire de


mesurer le signal, souvent a laide de capteurs (metrologie) ;
caracteriser et extraire le signal utile (traitement du signal) ;
le transmettre par un codage adequat (traitement du signal).
Pour cela, le traitement du signal developpe des methodes basees sur la modelisation mathemati-
que, ces methodes pouvant etre ensuite mises en uvre en electronique (numerique) du signal
(realisation technologique).

1.3 Les signaux utiles


Une premiere classification des signaux peut etre faite :

Signaux en temps continu ou en temps discret :

Un signal en temps continu (ou signal continu) x est defini a chaque instant t appartenant
a un intervalle de R, ou R est lensemble des nombres reels, ou a R tout entier2 . Un si-
gnal continu est un modele de signal analogique. Un signal analogique correspond a une
grandeur physique reelle qui evolue au cours du temps. Un exemple de signal analogique
est represente figure 1.1. Leur etude est fondamentale pour lingenieur car les signaux
analogiques representent lessentiel des signaux du monde physique.

Un signal en temps discret (ou signal discret) x nest defini qua certains instants tk soit
un vecteur de valeurs reelles {x(t = tk )}. Le cas le plus important en pratique est celui ou
1
Voir par exemple les Actions de Formation du semestre S8 Systemes mecatroniques intelligents , Filtrage
adaptatif : application au controle actif de bruit ou encore Sciences de lInformation et Biologie .
2
On peut aussi definir le signal sur R auquel on a soustrait des ensembles de mesure nulle.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 11

k
2

x
4

10
1 2 3 4 5 6 7 8 9 10
k

F IG . 1.2 Signal discret

k, (tk+1 tk ) = Constante = Ts . Le vecteur de valeurs3 se reecrit donc {x(kTs ) = xk }.


Un exemple de signal discret est presente figure 1.2.

Un signal echantillonne est un signal discret dont les valeurs {xk }, appelees echantillons,
sont issues (mesurees) dun signal continu4 . Ts est alors appelee periode dechantillonnage.
Un exemple de signal echantillonne est presente figure 1.3.

Les signaux discrets sont le support de linformation qui est traitee par les systemes
technologiques bases sur lelectronique numerique, lexemple le plus evident etant les
ordinateurs. Ils constituent lecrasante majorite des systemes technologiques complexes
gerant de linformation. Leur formidable developpement ces dernieres decennies a ouvert
dimmenses possibilites a exploiter. Ils sont devenus incontournables y compris dans des
systemes qui traditionnellement nutilisaient pas de technologies electroniques5 . Letude
des signaux discrets est donc fondamentale pour lingenieur car ils representent lessen-
tiel des signaux traites par les systemes complexes gerant linformation.

Signaux periodiques ou non. Nous allons voir dans le chapitre qui suit que les signaux conti-
nus sinusodaux constituent une classe fondamentale de signaux periodiques.

Signaux deterministes ou aleatoires. Cette distinction sera abordee en fin de cours, dans le
chapitre 7.

3
Bien que tres simple, la representation par un vecteur de valeurs reelles presente linconvenient majeur detre un
objet mathematique radicalement different des fonctions qui modelisent les signaux continus. Nous verrons dans la
suite quun autre objet mathematique est generalement utilise, plus complexe quun vecteur. Neanmoins, il presente
lavantage formidable detre plus proche des fonctions : on peut ainsi batir un ensemble doutils communs aux signaux
continus et discrets.
4
Il sagit de loperation dechantillonnage. Dans un systeme electronique, cette operation est realisee par un
convertisseur Analogique Numerique ou CAN.
5
Un exemple frappant est lautomobile qui dun systeme purement mecanique est devenu un systeme
mecatronique , cest-a-dire un systeme qui fait massivement appel aux technologies a la fois mecaniques et
electroniques (voir lAction de Formation de S8 Systemes Mecatroniques Intelligents . De fait, une automobile
est un systeme qui gere de linformation.
12 C HAPITRE 1 I NTRODUCTION

x x*

F IG . 1.3 Signal echantillonne

1.4 Plan du cours


Les 6 chapitres qui suivent correspondent chacun a un cours. Le chapitre 2 presente la modelisa-
tion et lanalyse spectrale des signaux continus (detection). Le chapitre 3 introduit une technique
de traitement importante des signaux analogiques : le filtrage frequentiel. Le chapitre 4 traite
des notions denergie et de puissance et de leur application pour lextraction dinformation des
signaux. Le chapitre 5 developpe la modelisation des signaux discrets et lechantillonnage des si-
gnaux continus. Le chapitre 6 etend le filtrage frequentiel aux signaux discrets. Enfin le chapitre 7
est une introduction aux signaux aleatoires avec comme application la generation de signaux.

1.5 Ou trouver linformation ?


1. Sur le serveur pedagogique, sont disponibles ce document de cours ainsi que les transparents
de cours au format electronique. On y trouve aussi un document de cours complementaire.
2. Dans les livres cites en reference de ce document, page 182. Un livre que le lecteur peut lire
avec grand profit est [7].
3. Sur Internet. Par exemple, les page WEB suivantes sont chaudement recommandees :
(a) Pour un cours detaille sur les differents points du traitement du signal abordes ici :
http ://www.greyc.unicaen.fr/ gbinet/COURS.html
(b) Pour les applications java illustrant differents aspects du traitement du signal :
http ://patrick.furon.free.fr/ traitementsignal/ cours tns/ PlanCoursTNS.htm
Ces sources dinformation ont servi de base a la redaction de ce document.

1.6 Remarques sur lutilisation de ce document


Ce document contient de nombreuses notes de bas de page. Elles peuvent se regrouper en 3
categories :
Rappels de definitions parfois tres elementaires : elles sont destinees aux eleves etrangers
qui ne connaissent pas tout le vocabulaire scientifique et technique en Francais.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 13

Approfondissement de certains points du cours : dune part, le traitement du signal est par
nature multidisciplinaire et dautre part le volume horaire limite de lenseignement ne per-
met pas de developper les differents points ; certaines notes en bas de page presentent des
elements pour aller plus loin ;
Connaissance culturelle du domaine, a travers par exemple des bibliographies sommaires.
A certaines figures sont associes des sons : pour que cette fonctionnalite soit active, il est necessaire
de telecharger en complement du fichier .pdf du document de cours, les fichiers dextension .wav
associes.

Les applications du traitement du signal sont extremement nombreuses et variees. Vouloir


en faire une presentation exhaustive consommerait lensemble du volume horaire consacre a cet
enseignement en interdisant de presenter les fondements scientifiques et les methodes principales
du traitement du signal, ce qui est lobjectif principal de lenseignement. Neanmoins, chaque
partie (avec les TDs associes) sera illustree par des applications :
Le chapitre 2 est illustre par la caracterisation de laudition humaine et de la bande VHF.
Le codage MP3 de part ses multiples facettes permet dillustrer les chapitres 3, 5 et 6.
Le chapitre 3 est aussi illustre par la caracterisation de lacoustique de salles, le filtrage
audio, la caracterisation de canaux de communication, la generation de notes dans les ins-
truments de musique et la modulation damplitude (en TD).
Le chapitre 4 est illustre par le calcul de distances pour positionner un objet.
Le chapitre 5 est illustre par le calcul de spectre de signaux physiques a partir dune acqui-
sition lors dune experience et par une methode de compression de signaux echantillonnes
utilisee dans les CDs audios (en TD).
Le chapitre 7 est illustre par la generation de la parole appliquee a la telephonie mobile.
Pour plus de details, le livre [4] detaille un certain nombre dapplications du Traitement du Signal
en utilisant Matlab.

1.7 Remerciements
Je tiens a remercier tous les lecteurs attentifs qui par leurs nombreuses et constructives re-
marques ont permis de fortement ameliorer la qualite de ce document ainsi que celle de tous les
supports de lenseignement Traitement du Signal, que ce soit sur le fond ou sur la forme6 les
etudiants (plus particulierement de la promotion 2011) et les enseignants impliques dans cet ensei-
gnement (Ronan Perrussel, Paule Blanchart, Damien Voyer, Marie-Annick Galland, Eric Blanco,
Julien Huillery, etc..).

6
Ce netait pas une mince tache !
14 C HAPITRE 1 I NTRODUCTION
Chapitre 2

Modeliser et caracteriser un signal :


Analyse en temps et en frequence

Pour pouvoir disposer doutils efficaces pour le traitement du signal, il est dabord necessaire
de modeliser (representer) un signal par un objet mathematique. Puisquun signal est une grandeur
qui depend du temps, une idee naturelle est de le modeliser par une fonction du temps dont le
domaine de definition est R ou un intervalle de R.

Dans ce chapitre, nous allons voir comment il est possible de caracteriser un signal represente
par une fonction du temps a travers les notions de frequence et de spectre frequentiel. Ce qui est
remarquable, cest que cette caracterisation va mettre en evidence que meme si la representation
des signaux par des fonctions est naturelle, elle admet de serieuses limitations. Afin daller au-dela,
une classe dobjets mathematiques generalisant les fonctions sera introduite : les distributions. Ce
chapitre est consacre aux signaux continus. Nous verrons dans le chapitre 5 consacre aux signaux
discrets que pour cette classe de signaux (hegemoniques dans les systemes technologiques actuels)
la modelisation par les distributions est incontournable.

Le spectre frequentiel dun signal est defini a partir de la Transformee de Fourier de ce si-
gnal. Une autre application de la Transformee de Fourier est le calcul de solution dequations
differentielles lineaires a coefficients constants. Cependant, comme cela est discute en fin de cha-
pitre, une extension de la Transformee de Fourier, appelee Transformee de Laplace, est un outil
plus general pour cette application.

Plan du chapitre Apres une premiere introduction a la notion de frequence section 2.1, en par-
tant du principe quun signal est une fonction, la description de fonctions definies sur un intervalle
par des fonctions sinusodales est presentee dans la section 2.2. Cette description est etendue
aux fonctions periodiques dans la section 2.3. Dans la section 2.4, cette description est etendue a
une classe generale de fonctions non periodiques. Neanmoins, bien que generale, cette classe ne
contient pas des fonctions representant des signaux elementaires utiles. Si on elargit la classe afin
de les contenir, la section 2.5 illustre quun probleme mathematique fondamental apparat. La no-
tion de distribution introduite dans la section 2.6 offre une solution elegante avec pour benefice de
definir une description par fonctions sinusodales pour une classe de signaux suffisamment riche
pour nos objectifs pratiques. Les sections 2.4 et 2.6 introduisent la Transformee de Fourier qui
permet de definir le spectre frequentiel dun signal. La section 2.7 presente des premieres appli-
cations du spectre frequentiel. Lutilisation de la Transformee de Fourier en conjonction avec la
Transformee de Laplace pour la resolution dequation differentielle est discutee section 2.8, ce qui
permet dillustrer les relations entre ces deux Transformees.

15
16 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

2.1 Introduction a la notion de frequence


La notion de frequence est intimement liee a une classe de signaux particuliers qui sont les
signaux modelisables par des fonctions sinusodales, cest-a-dire les fonctions de la forme :
 
t
A sin 2 +
T

Ces classes de signaux occupent une place importante dans la perception du son par lhomme.

Letre humain est en effet sensible a


la frequence T1 qui correspond a la notion de grave et daigu, voir le tableau de figures 2.1 ;
lamplitude A qui correspond a la notion de puissance, voir le tableau de figures 2.2.

Cliquer pour ecouter Cliquer pour ecouter Cliquer pour ecouter


y(t) = 0.6 sin(2600t) y(t) = 0.6 sin(21000t) y(t) = 0.6 sin(22000t)
0.8 0.8 0.8

0.6 0.6 0.6

0.4 0.4 0.4


0.6sin(2 1000t)

0.2 0.2 0.2

0.6sin(22000t)
0.6sin(2 600t)

0 0 0

0.2 0.2 0.2

0.4 0.4 0.4

0.6 0.6 0.6

0.8 0.8 0.8


0 1 2 3 4 5 6 0 1 2 3 4 5 6 0 1 2 3 4 5 6
t x 10
3 t x 10
3 t 3
x 10

TAB . 2.1 Sons associes a des fonctions sinusodales de differentes frequences

Cliquer pour ecouter Cliquer pour ecouter


y(t) = 0.2 sin(2600t) y(t) = 0.6 sin(2600t)
0.8
0.8

0.6
0.6

0.4
0.4

0.2
0.2
0.6sin(2 600t)
0.2 sin(2 600 t)

0 0

0.2 0.2

0.4
0.4

0.6
0.6

0.8
0.8 0 1 2 3 4 5 6
0 1 2 3 4 5 6
t 3
x 10
t 3
x 10

TAB . 2.2 Sons associes a des fonctions sinusodales de differentes amplitudes

Il est aussi bien connu quun son constitue a partir dune combinaison de fonctions sinusodales
bien choisies peut produire des sons agreables a ecouter. Un exemple est presente tableau 2.1.

Au-dela detre qualitativement interessant, les signaux sinusodaux presentent un interet beau-
coup plus fondamental. Ils permettent une description mathematique precise de larges classes de
signaux. Nous allons expliciter ce que cela signifie dans ce chapitre.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 17

Cliquer pour ecouter


y(t) = 0.3 (sin(2.440.t) + sin(2.554.t) + sin(2.659.t))
Son agrable
1

0.8

0.3(sin(2.440.t)+sin(2.554.t)+sin(2.659.t))
0.6

0.4

0.2

0.2

0.4

0.6

0.8

1
0 50 100 150 200 250
t

F IG . 2.1 Un son agreable

2.2 Signaux
 Tmodelises
 par des fonctions definies sur un inter-
valle 2 , T2 : series de Fourier
Pour T > 0, soit L2 ([ T2 , T
2
]) lespace des fonctions f reelles definies sur [ T2 , T
2
] telles que
Z T
2
f (t)2 dt < .
T2

On peut definir le produit scalaire de deux elements f et g de cet espace par :


Z T
2
< f, g >= f (t)g(t)dt
T2

et la norme associee par : v


uZ T
u 2
kf k2 = t f (t)2 dt.
T2

Cette norme est appelee norme L2 . La norme kf k2 sinterprete comme la racine carree de lenergie
de f . Pour ce produit scalaire, une base orthonormale {em }mZ de L2 ([ T2 , T2 ]) est definie par :
q 

2
cos 2m t
si m < 0

T T


em = 1 si m = 0
T



q 

2 t
T
sin 2m T
si m > 0

Par suite, toute fonction f de L2 ([ T2 , T


2
]) peut secrire1 :

X
f= < f, em > em .
m=

1
Sur la signification de cette egalite, voir la Remarque importante page 20.
18 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE
q  q 
em 1 2
cos 2m Tt 2
sin 2m Tt
T T T

Z T r Z T   r Z T  
1 2 2 2 t 2 2 t
< f, em > f (t)dt f (t) cos 2m dt f (t) sin 2m dt
T T2 T T2 T T T2 T

TAB . 2.3 Coordonnees de f dans la base {em }mZ

a0 an bn

Z T Z T   Z T  
1 2 2 2 t 2 2 t
f (t)dt f (t) cos 2n dt f (t) sin 2n dt
T T2 T T2 T T T2 T

TAB . 2.4 Coefficients an et bn

Dapres le tableau 2.3, il existe alors des reels a0 , an et bn presentes dans le tableau 2.4 tels que2
:       
T T X t t
t , , f (t) = a0 + an cos 2n + bn sin 2n . (2.1)
2 2 n=1
T T

Exemple 1 La fonction f dont la courbe representative est presentee figure 2.2 admet la decomposition
en serie de Fourier suivante :
     
t t t
t [1, 1] , f (t) = cos 2 + 4 sin 2 + 4 cos 22 .
T T T

Exemple 2 La figure 2.3 represente la courbe caracteristique de la fonction f definie par la


decomposition en serie de Fourier suivante, avec T = 2 :
 
t [1, 1] , f (t) = 1.3959 + 92.108 cos 2 Tt + 1.9081 cos 22 Tt +
  
+ 10.545 cos 23 Tt + 2.7034 cos 24 Tt + 3.5953 cos 25 Tt +
  
+ 2.7778 cos 26 Tt + 1.9838 cos 27 Tt + 2.4283 cos 28 Tt
(2.2)
On constate quen sommant quelques courbes sinusodales, une forme tres eloignee dune courbe
sinusodale peut etre obtenue.

En utilisant la formule dEuler3 , la decomposition en serie de Fourier dune fonction peut se


2
Une autre ecriture de legalite (2.1) est :
  
X 
T T t
t , f (t) = a0 +
, n sin 2n + n
2 2 n=1
T

Le terme de la somme correspondant a n = 1, cest-a-dire sin 2 Tt + 1 , est traditionnellement
 appele fondamen-
tal ; les termes de la somme correspondant a n > 1, cest-a-dire sin 2n Tt + n , sont traditionnellement appeles
harmoniques.
e = cos(x) + i sin(x) ou i represente limaginaire pur : i2 = 1.
3 ix
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 19

6
cos(2/Tt)
4sin(2/Tt)
8
4cos(2/T2t)
f(t)
10
1 0.5 0 0.5 1
t

F IG . 2.2 Representation de la fonction f par sa decomposition en serie de Fourier

150

100

50

50

100
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
t

F IG . 2.3 Representation de la courbe caracteristique de la fonction f definie par (2.2)


20 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

re-exprimer par :
 
X
T T n
t , , f (t) = cn e2i T t (2.3)
2 2 n=

avec4
Z T
1 2 n
cn = f (t)e2i T t dt. (2.4)
T T2

Lequation (2.3)
 T estT
appelee la decomposition en serie de Fourier (complexe) de la fonction f sur
lintervalle 2 , 2 .

Remarque Dans le cas ou la fonction f est


1. reelle : les coefficients cn sont tels que cn = cn : |cn | = |cn et arg(cn ) = arg(cn ) ;
2. paire5 : les coefficients cn sont reels ;
3. impaire6 , les coefficients cn sont imaginaires purs.

Remarque importante Legalite (2.3), ainsi que les egalites precedentes telles que (2.1), doivent
se comprendre en realite comme la convergence de la serie :
N
X n
SN (t) = cn e2i T t
n=N

vers la fonction f au sens de la norme definie sur L2 ([ T2 , T


2
]) :

lim kSN f k2 = 0
N

 
(convergence en moyenne quadratique). Cela ne signifie pas forcement que pour tout t T2 , T
2
,

lim SN (t) = f (t)


N

(convergence point par point ou ponctuelle). La convergence en moyenne quadratique nimplique


la convergence ponctuelle que pour des classes particulieres de fonctions f . Une classe particuliere
est celle des fonctions continues et derivables et dont la derivee est continue (classe C 1 ). Pour plus
de details, voir [10, 5].

Egalite de Parseval A partir des coefficients cn , lenergie de la fonction f peut etre determinee :
Z T
X
2
2
f (t) dt = T |cn |2 .
T2 n=

cn = an ib
4
2
n
et an = 2Re(cn ), bn = 2Im(cn ). Faire attention que, contrairement a la somme (2.1), dans la
somme (2.3), n prend des valeurs negatives.
5
f (t) = f (t).
6
f (t) = f (t).
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 21

2.3 Signaux modelises par des fonctions periodiques : series de


Fourier
On considere le cas dune fonction periodique7 reelle de periode T fp definie sur R et telle que
Z T
2
fp (t)2 dt < .
T2

Alors, dapres la section precedente,


 
X
T T n
t , , fp (t) = cn e2i T t (2.5)
2 2 n=
avec Z T
1 2 n
cn = fp (t)e2i T t dt. (2.6)
T T2
n
Puisque la fonction fp et les fonctions qui a t associent e2i T t sont des fonctions periodiques de
periode T , la decomposition (2.3) est valable pour tout t R :
X
n
t R, fp (t) = cn e2i T t .
n=

Le rapport = Tn definit une frequence, multiple de 0 = T1 ; 0 est appele frequence fondamentale


et defini avec n > 1 frequence harmonique. Puisque n est un entier relatif, dans lexpression
ci-dessus, la frequence peut etre negative dans le cas ou n est negatif.
Ce qui est remarquable dans lequation (2.5), cest quelle met en evidence que les coefficients
de la decomposition en serie de Fourier cn caracterisent exactement 8 la fonction fp . Ils consti-
tuent ainsi un mode de representation de fp . Cest pour cela quil est commode de les representer
graphiquement. Dans le cas ou les coefficients cn sont reels, ils sont representes en fonction de ;
sinon on represente |cn | en fonction de et arg(cn ) en fonction de sur deux figures separees.

Exemple 1 Soit la fonction periodique fp definie par :


  1 1
1 e2i T t e2i T t
fp (t) = sin 2 t = .
T 2i
Par identification, on a c1 = 2i , c1 = 2i et cn = 0 pour n 6= 1 et n 6= 1. On obtient alors la
representation presentee figure 2.4.

Exemple 2 A partir de la fonction rect , fonction rectangle definie par :


1 1
t [ 2 , 2 ] rect(t) = 1

sinon rect(t) = 0
et dont la courbe caracteristique est representee figure 2.5, on peut definir la fonction periodique
de periode T fp par :    
T T t
t , , fp (t) = rect
2 2 T0
avec 0 < T0 < T , voir la courbe caracteristique representee figure 2.6. Par application de (2.6),
7
fp (t + T ) = fp (t)
8
Dans le sens presente dans la Remarque importante presentee page 20.
22 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

1.5
|cn|
1

0.5

0

0.5
1 /T 0 1/T
radians

/2 arg(c )
n

/2

1/T 0 1/T

F IG . 2.4 Representation des coefficients cn de la serie de Fourier

1.5

1
rect(t)

0.5

0.5
1 0.5 0 0.5 1
t

F IG . 2.5 Courbe caracteristique de la fonction rect


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 23

1.5

T
0

fp(t)
0.5

0.5
3 2 1 0 1 2 3
t

F IG . 2.6 Courbe caracteristique de la fonction periodique fp

on peut alors etablir que


 
T0 T0
cn = sinc n
T T
avec sinc la fonction sinus cardinal definie par9

sin(x)
sinc(x) = .
x
La courbe caracteristique de cette fonction est representee figure 2.7. On notera que :
sinc(0) = 1 ;
Pour tout entier relatif non nul n, sinc(n) = 0.

Les coefficients cn sont ici reels. Avec T = 2T0 , on a la representation associee figure 2.8 ou
la courbe en trait continu fin est la courbe caracteristique de la fonction sinus cardinal.
Examinons ce que donne le somme des 2N + 1 premiers termes de la decomposition en serie
de Fourier ainsi obtenue :
XN
n
SN (t) = cn e2i T t
n=N

pour N = 1, N = 3, N = 5 et pour N = 144, voir figure 2.9. On constate quau plus N est
important, au plus on se rapproche de la fonction periodique fp sauf10 pour les valeurs de t qui
correspondent aux discontinuites de la courbe caracteristique de fp . Lexplication se trouve dans la
Remarque importante page 20 : dans lexemple considere ici la convergence nest pas ponctuelle
mais en moyenne quadratique.
9
Si vous avez deja croise la fonction sinus cardinal, la definition que vous avez eu a peut-etre ete differente.
Normal, il existe deux definitions de la fonction sinc legerement differentes. Pour ce qui est de cet enseignement de
Traitement de Signal, seule la definition presentee dans cette page est consideree comme valable.
10
On parle du phenomene de Gibbs .
24 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

1.2

0.8

sinc(x) 0.6

0.4

0.2

0.2

0.4
5 4 3 2 1 0 1 2 3 4 5
x

F IG . 2.7 Courbe caracteristique de la fonction sinus cardinal

0.6
T0/T
c
0.5 0

0.4

c c
0.3 1 1
1/T
cn

0.2

0.1
c c c5 c
8 5 c c c2 8
4 2
0
c9 c4 c9
c c6 c c
7 6 7
0.1 c c3
3

0.2
5 4 3 2 1 0 1 2 3 4 5

F IG . 2.8 Coefficients de la serie de Fourier de la fonction periodique associee a la fonction rect


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 25

1.5
N=1
N=3
N=5

0.5

0.5
3 2 1 0 1 2 3
t

N = 144
1.5

0.5

0.5
3 2 1 0 1 2 3
t

F IG . 2.9 Somme des N premiers termes de la decomposition en serie de Fourier avec N = 1,


N = 3 et N = 5 (haut) et N = 144 (bas)

2.4 Signaux modelises pour des fonctions non periodiques :


Transformee de Fourier
2.4.1 Introduction
Lobjectif est de rechercher une decomposition du type serie de Fourier mais dans le cas
dune fonction non periodique f appartenant a L1 (R) L2 (R), cest-a-dire telle que :
Z + Z +
|f (t)|dt < et f (t)2 dt < .

Le format et les objectifs du cours ne permettant pas un developpement mathematique rigou-


reux11 , une premiere explication qualitative et rapide de ce que peut etre la transposition de la serie
de Fourier aux fonctions non periodiques a travers un exemple va etre presentee dans ce qui suit.

Une fonction de L2 (R) peut etre vue comme la limite de fonctions periodiques fT telles que
 
T T
t , , fT (t) = f (t)
2 2

pour T tendant vers linfini, voir figure 2.10. Puisque cette fonction fT admet une decomposition
en serie de Fourier, comment celle-ci evolue-t-elle quand T tend vers linfini ?
11
Pour une presentation mathematiquement rigoureuse, voir par exemple [1, 10].
26 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

1
T
0.5
f(t)

0.5
0
1

0.5
fTm(t)

0.5
0
1

0.5
fT(t)

0
T
0.5
0
t

F IG . 2.10 Fonction fT obtenue a partir de f


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 27

On revient sur lexemple


 de  la fonction presentee dans lexemple 2, page 21, avec T0 fixe :
t
t R, f (t) = rect T0 . Lexplication qui suit est avec les mains . La fonction fT
etant periodique et de carre integrable sur une periode, elle admet dapres la section 2.3 une
decomposition en serie de Fourier :

X n
t R, fT (t) = cn e2i T t (2.7)
n=

avec Z T
1 2 n
cn = fT (t)e2i T t dt.
T T2

La decomposition en serie de Fourier fait intervenir lensemble des frequences : Tn nZ ou T1 est
la
 frequence
 fondamentale. Evidement on peut ecrire legalite (2.7) simplement pour lintervalle
T T
2 , 2 et comme les fonctions f et fT concide sur cet intervalle, on a alors :
  X
T T n
t , , f (t) = cn e2i T t
2 2 n=

avec Z T
1 2 n
cn = f (t)e2i T t dt.
T T2

Notons que cn est une fonction de Tn .



Quand T tend vers +, lensemble discret de points Tn nZ se transforme en un en-
semble continu de points {}R :

Tn nZ {}R .

Par suite, la variable Tn est remplacee par la variable continue et la courbe T cn fonction de Tn
se transforme en une courbe continue fonction de . La figure 2.11 represente les coefficients de
la decomposition en serie de Fourier12 multiplies par T . En prenant successivement T = 2T0 ,
T = 4T0 , T = 8T0 et T = 16T0 , on obtient les representations associees figure 2.11. Lecart entre
deux points successifs etant de 1/T , celui-ci tend vers 0 quand T tend vers +.
Donc, quand T tend vers +,
Z + 
2it
{T cn }nZ f (t)e dt
R

ce dernier ensemble definissant une fonction notee F . Enfin,


X Z +
1 n
2i T t
T cn e F ()e2it d
n=
T

donc, on a : Z +
f (t) = F ()e2it d.

12
qui ont le bon gout detre reels dans cet exemple : ce nest evidemment pas toujours le cas.
28 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

1.2 1.2
Tcn Tc
n

1 1

T=2T0 T=4T0
0.8 0.8

0.6 0.6
Tcn

cn
0.4 0.4

0.2 0.2

0 0

0.2 0.2

0.4 0.4
5 4 3 2 1 0 1 2 3 4 5 5 4 3 2 1 0 1 2 3 4 5

1.2 1.2
Tc Tc
n n
1 1
T=8T0 T=16T0
0.8 0.8

0.6 0.6
cn

cn
0.4 0.4

0.2 0.2

0 0

0.2 0.2

0.4 0.4
5 4 3 2 1 0 1 2 3 4 5 5 4 3 2 1 0 1 2 3 4 5

F IG . 2.11 {T cn }nZ pour T = 2T0 , T = 4T0 , T = 8T0 et T = 16T0

2.4.2 Definition de la transformee de Fourier


Definition 2.4.1 La fonction F telle que
Z +
R, F () = f (t)e2it dt (2.8)

est appelee transformee de Fourier de f et est notee F[f ]. On definit la transformee de Fourier
inverse, notee F 1 [F ], par
Z +
t R, f (t) = F ()e2it d.

Notation : f (t) F () = F[f ]().

On appelle transformation de Fourier lapplication13 notee F qui a une fonction associe sa


transformee de Fourier (si elle existe).

Remarque Pour un signal f , F = F[f ] est appele Spectre du signal.

13
Lapplication qui a une fonction associe une fonction est appelee un operateur. Afin de les distinguer des fonc-
tions, lapplication de loperateur F sur la fonction f est notee avec des crochets (au lieu de parentheses) : F[f ]. La
valeur de la fonction F[f ] en est alors notee F[f ](). Lecriture F[f (t)] est a proscrire car absurde : F sapplique
sur des fonctions ; or f (t) ne represente pas la fonction f mais sa valeur en t.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 29

Remarque La transformee de Fourier et la transformee de Fourier inverse sont tres proches


puisque leur definition implique que14 :

F 1 [F ] = F[F ]. (2.9)

On a le resultat suivant qui necessite la definition de lensemble L1 (R) : cest lensemble des
fonctions f de R dans R telles que :
Z +
|f (t)|dt < .

Theoreme 2.4.1 Si f est une fonction15 de L1 (R) alors la fonction F existe, est continue et F ()
tend vers 0 quand || .

Exemple Avec T0 > 0, la fonction f definie sur R par :


 
t
t R, f (t) = rect
T0

appartient a L1 (R).

Notation Dans la suite du document, afin dalleger les notations, on pourra designer la fonc-
tion f par son expression dans laquelle la variable a ete remplacee par , ce qui donne dans cet
exemple :  

rect .
T0
Il sagit ici de bien faire la difference entre la fonction f et sa valeur f (t) pour la variable t.

Exemple (suite) Dapres le theoreme 2.4.1, cette fonction admet une transformee de Fourier. De
plus, par application directe de (2.8), on etablit que sa transformee de Fourier sexprime a laide
de la fonction sinus cardinal :
  

R, F rect () = T0 . sinc(T0 )
T0

voir figure 2.12.

Remarque Meme si dans lexemple precedent la fonction F est une fonction reelle, en general,
elle est complexe. On represente graphiquement son module |F ()| en fonction de et son argu-
ment arg(F ()) en fonction de . On parle de representation spectrale.

2.4.3 Proprietes de la transformee de Fourier


Dans ce qui suit, a R, b R, f et g sont deux fonctions de L1 (R). F () represente F[f ]().
14
F est la fonction conjuguee de F , qui a associe F (), nombre complexe conjugue de F (). Pour un nombre
complexe x + iy ou x et y sont des reels, le conjugue est defini par x iy.
15
Lextension de la transformee de Fourier aux fonctions de L2 (R) peut se faire au sens des distributions car une
fonction de L2 (R) definit une distribution (temperee), voir la section 2.6.
30 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

TEMPS FREQUENCE
1.5 2.5

T0
2

1
1.5

T sinc(T )
rect(t/T )

0
0

0.5 1

0
0.5

T0
0.5 0.5
T0/2 0 T /2 2/To
1/To 0 1/To2 /To
0
t

F IG . 2.12 Fonction rectangle et sa transformee de Fourier

2.4.3.1 Linearite

F[af + bg] = aF[f ] + bF[g]

2.4.3.2 Symetrie et conjugaison complexe

h i
R, F f () () = F ()

R, F[f ()]() = F ()

2.4.3.3 Changement dechelle

1  
R, F[f (a)]() = F
|a| a

2.4.3.4 Translation temporelle

R, F[f ( t0 )]() = e2it0 F ()

2.4.3.5 Modulation

R, F[e2i0 f ()]() = F ( 0 )
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 31

2.4.3.6 Transformee de Fourier de la derivee dune fonction


La fonction f est ici supposee derivable avec sa derivee16 f L1 (R).

R, F[f ]() = 2iF ().

Cette relation se generalise a lordre n :

R, F[f (n) ]() = (2i)n F ().

2.4.3.7 Consequences des proprietes


1. La partie reelle de la transformee de Fourier dune fonction reelle est paire et la partie
imaginaire est impaire.
2. Le module de la transformee de Fourier dune fonction reelle est pair et son argument est
impair.
3. La transformee de Fourier dune fonction reelle et paire est reelle et paire.
4. La transformee de Fourier dune fonction reelle et impaire est imaginaire et impaire.

2.4.4 Energie
Une fonction f de L2 (R) est dite a energie finie. Lenergie est dailleurs definie par
Z
f (t)2 dt

soit kf k22 . Si de plus f appartient a L1 (R) alors elle admet une transformee de Fourier F .
Peut-on evaluer lenergie de f a partir de sa transformee de Fourier F ? Le theoreme suivant
repond a cette question.

Theoreme 2.4.2 (Parseval Plancherel) Soit f L1 (R) L2 (R). Alors


Z Z
2
f (t) dt = |F ()|2 d.

Lenergie peut donc aussi se calculer a partir de lexpression de sa transformee de Fourier F dans
lespace des frequences. La fonction |F ()|2 est appelee densite spectrale denergie.

2.4.5 Un exemple illustratif


Soit un enregistrement sonore qui a ete enregistre sur un disque vinyle a 45 tours par minutes.
Ce signal est restitue en lisant le disque sur un tourne-disque avec une vitesse de 33 tours par
minutes. Quelle est la relation entre le spectre du signal restitue par rapport au spectre du signal
enregistre ?

Soit x le signal enregistre et x


e le signal restitue. Alors le signal restitue sexprime par x
e =
33
x(a) avec a = 45 . Il sagit donc dun changement dechelle temporelle. Par suite,

R, F[e
x] = F[x(a)]
16
La formule qui suit peut se calculer en faisant une integration par partie a partie de lexpression (2.8) de la
transformee de Fourier.
32 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

F IG . 2.13 Tourne-disque Teppaz http ://www.alienor.org/ARTICLES/scooters/image tourne-


disque.htm

Dapres la propriete de Changement dechelle :


1  
R, F[x(a)]() = F[x]
|a| a
Par suite,  
45 45
R, F[e
x]() = F[x]
33 33
Le signal restitue sera donc plus grave que le signal enregistre.

Le signal restitue sera dautre part plus puissant dans le sens ou lenergie du signal sera
plus importante. En effet, dapres le theoreme de Parseval :
Z + Z +  2 Z +   2
45 45
x 2
e(t) dt = e 2
|X()| d =
33 X 33 d.
= =

45
En faisant le changement de variable e = 33
, on obtient
Z +  2 Z +
45
x 2
e(t) dt = )|2 de
|X (e .
33 e=

Dapres le theoreme de Parseval, on aura alors :


Z +  2 Z +
2 45
xe(t) dt = x(t)2 dt,
33

Dou la conclusion.

2.5 Limites de la modelisation des signaux par des fonctions


Certaines fonctions tres simples et potentiellement tres utiles nappartiennent pas a lensemble
L1 (R) (ni a lensemble L2 (R)). Un exemple simple est la fonction f definie par t R, f (t) = 1.
Quelle pourrait etre la transformee de Fourier pour certaines de ces fonctions, si elle existe ? On
va examiner le cas de cette fonction f .
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 33

Exemple La fonction t R, f (t) = 1 peut etre interpretee comme la limite dune sequence
de fonctions fT0 definies par

t R, fT0 (t) = rect(t/T0 ),

quand T0 tend vers +. Pour une valeur de T0 donnee, la transformee de Fourier de la fonction fT0
est representee figure 2.12. La figure 2.14 represente la deformation du trace de la transformee de
Fourier pour des valeurs croissantes de T0 . Supposons que la transformee de Fourier fT0 converge
vers une fonction quand T0 tend vers linfini. Cette fonction que lon va noter serait alors telle
que :
1. 6= 0, () = 0 ;
2. (0) = +.
De plus, puisquon peut demontrer que
Z +
T0 . sinc(T0 )d = 1

si la fonction existe alors elle verifie probablement la propriete :


Z +
()d = 1.

Cette integrale montre quen fait ne peut pas etre une fonction. En effet, lintegrale dune fonc-
tion nulle presque partout ( 6= 0, () = 0) ne peut valoir que 0 et ici elle vaut 1 ! ! ! Donc on est
face a une absurdite si on fait lhypothese que est une fonction ; est donc un objet mathematique
etrange a definir, cela ressemble a une fonction mais ce nest pas une fonction...

La morale de cet exemple est quil existerait certaines fonctions interessantes nappartenant
pas a L1 (R) (ni a L2 (R)) telles que si la transformee de Fourier existe alors cest un objet
mathematique (a definir) qui nest pas une fonction. Si ce nest pas une fonction, quel est donc cet
etrange objet ? ? ?

Exemple On va essayer dimaginer ce que pourrait etre la transformee de Fourier inverse de la


fonction definie par , F () = 1, si elle existe. Il semble possible de definir la fonction F () = 1
comme la limite des fonctions :

R, FT0 () = sinc(T0 )

quand T0 tends vers 0, voir la courbe caracteristique de la fonction FT0 , figure 2.15. Comme on la
vu precedemment, la transformee de Fourier inverse est donnee par :
 
1 t
t R, fT0 (t) = rect
T0 T0
dont la courbe caracteristique est representee figure 2.16. Il semble que quand T0 tend vers 0, fT0
tende vers letrange objet introduit precedemment... Cet exemple met en evidence que cet objet
semble avoir une autre propriete interessante.

Avec x une fonction continue et localement integrable, on a


Z t0 +T0 /2
1
x(t0 ) = lim x(t)dt (2.10)
T0 0 T0 t T /2
0 0
34 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

30
T0
T_0 T =2
0
25
T
0

20
T0sinc(T0)

T0sinc(T0)
15
T T0
0

10

0 5

0
1/To 1/To 5 0 5

30 30

T =4 T =8
0 0
25 25

20 20
T0sinc(T0)

T0sinc(T0)

15 15

10 10

5 5

0 0
5 0 5 5 0 5

30 30

T =16 T =32
0 0
25 25

20 20
T0sinc(T0)

T0sinc(T0)

15 15

10 10

5 5

0 0
5 0 5 5 0 5

F IG . 2.14 Fonction rectangle et sa transformee de Fourier


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 35

1
1

sinc(T0)

T 0 T 0
0 0

1/To 1/To

F IG . 2.15 Courbe caracteristique de la fonction FT0

1/T_0 1/T0

T0 0
1/T0rect(t/T0)

T0 0 T0 0

T0

T/2 0 T/2
t

F IG . 2.16 Courbe caracteristique de la fonction fT0 (t)


36 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

4 4

3.5 3.5

3 3
x(t ) x(t )
0 0

2.5 2.5

2 2

1.5 1.5
T T
0 0
1 1

0.5 0.5

0 0
0 1 2 3 4 t0 5 6 7 8 0 1 2 3 4 t0 5 6 7 8

F IG . 2.17 Fonctions x (gauche) et rect(( t0 )/T0 )x (droite)

ce qui se reecrit :
Z +
1
x(t0 ) = lim rect((t t0 )/T0 )x(t)dt
T0 0 T0
Z +
1
= lim rect((t t0 )/T0 )x(t)dt
T0 0 T0

voir figure 2.17.


Dapres ce qui precede, on aurait donc la propriete :
Z +
x(t0 ) = (t t0 )x(t)dt. (2.11)

2.6 Au-dela des fonctions : les distributions


En realite, est une distribution. Nous allons voir que les distributions sont des objets mathema-
tiques qui generalisent les fonctions. Pour plus dinformations sur les distributions, se reporter,
par exemple, aux references [10, 5, 2, 3]. La theorie des distributions est due a Laurent Schwartz,
voir figure 2.18. Pour les besoins du Traitement de Signal, apres avoir defini les distributions, les
operations de base effectuees sur les fonctions puis la Transformation de Fourier sont generalisees
aux distributions.

2.6.1 Definition des distributions


Definition 2.6.1 Une fonction test de R dans C est une fonction nulle en dehors dun intervalle
borne et indefiniment derivable. On note D lensemble des fonctions tests.

Les proprietes reclamees pour les fonctions tests sont si fortes quon peut se demander si les
fonctions tests existent17 .
17
Dans ce qui suit, aussi curieux que cela puisse paratre, on peut se rendre compte que ce qui est important cest
de savoir que les fonctions tests existent et non de les determiner explicitement.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 37

F IG . 2.18 Extrait de Laurent Schwartz, Generalisation de la notion de fonction, de derivation,


de transformation de Fourier et applications mathematiques et physiques , Annales de lUniver-
site de Grenoble, Tome 21 (1945), p.57-74
38 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

Courbe caractristique dune fonction test


1.2

0.8
exp(t /(t 1))

0.6
2
2

0.4

0.2

0.2
2 1.5 1 0.5 0 0.5 1 1.5 2
t

F IG . 2.19 Courbe caracteristique dune fonction test

Exemple Les fonctions tests existent, jen ai rencontree une :


(  
t2
t ] 1, 1[ (t) = exp t2 1
t 1 et t 1 (t) = 0

voir figure 2.19. On peut demontrer que cette fonction, qui est nulle en dehors dun support borne,
est indefiniment derivable.

Definition 2.6.2 (Distribution) Une distribution T est une application lineaire continue de D
dans C. Notation
T : D C
7 < T, >

Exemple Etant donne a R, lapplication qui a associe (a) est une distribution appelee
impulsion de Dirac.

A travers la notion de distribution reguliere, les distributions apparaissent en realite comme


une generalisation des fonctions.

Definition 2.6.3 (Distribution reguliere) Une distribution T est reguliere sil existe une fonction
x localement integrable telle que
Z +
< T, >= x(t)(t)dt. (2.12)

Une distribution T est dite singuliere sil nexiste pas de fonction x telle que (2.12).
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 39

Remarque Si lobjet introduit dans lexemple page 33 etait une fonction alors dapres la rela-
tion (2.11) :
Z +
(t a)(t)dt = (a).

La distribution reguliere associee a ( a) est telle qua une fonction test on associe la valeur
(a) : on retrouve limpulsion de Dirac ! Il apparat quen realite ( a) est une distribution qui
est singuliere puisque nest pas une fonction.
Dans ce qui suit, on notera a la distribution qui a la fonction test associe la valeur (a) et
lon sempressera de bannir les notations ( a) ou (t a) qui nont aucun sens puisque nest
pas une fonction. La distribution 0 est notee par . On associe a a la representation graphique
presentee figure 2.20, gauche. Si est un reel alors a est la distribution qui a la fonction test

Reprsentaion graphique de Reprsentaion graphique de


a a
1.2

0.8

0.6

0.4

0.2

0 0

0.2
0 a 0 a

F IG . 2.20 Representation graphique de a et de a

associe la valeur .(a) avec la representation graphique presentee figure 2.20, droite.

Remarque Une suite de distributions regulieres peut converger vers une distribution qui est
singuliere ; un exemple peut etre obtenu a partir de lexemple page 33.

Remarque Par un abus de notation et afin de limiter le nombre de notations manipulees, pour la
distribution reguliere associee a une fonction x, on utilise souvent la meme notation pour designer
la distribution reguliere et la fonction associee. Afin deviter toute ambigute, avant dadopter cette
notation, on notera Tx la distribution reguliere associee a une fonction x.

2.6.2 Operations de base sur les distributions


Les operations de base sont maintenant generalisees des fonctions aux distributions. Elles sont
definies de telle facon a ce que quand elles sont appliquees a une distribution reguliere, cest-a-
dire une distribution associee a une fonction x, on obtienne la distribution reguliere associee a la
fonction resultat de loperation effectuee sur x.
40 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

Translatee dune distribution T par la constante a La translatee dune distribution T par la


constante a est la distribution notee a T definie par :
D, < a T, >=< T, ( + a) > .

La justification vient des distributions regulieres : il faut que lorsquon applique la definition de la
translatee a Tx a la distribution reguliere Tx associee a une fonction x, on obtienne la distribution
reguliere Tx(a) associee a la translatee x( a) de la fonction x. Or
Z +
D, < Tx(a) , >= x(t a)(t)dt

ce qui donne avec le changement de variable e


t=ta:
Z +
D, < Tx(a) , >= x(e
t)(e
t + a)de
t =< Tx , ( + a) >

ce qui est coherent avec la definition de la translatee dune distribution par la constante a.

Changement dechelle de constante a dune distribution T On appelle changement dechelle


de constante a de la distribution T la distribution notee echa T et definie par :
1 
D, < echa T, >= < T, >.
|a| a
La justification vient encore des distributions regulieres : il faut que lorsquon applique la definition
du changement dechelle echa Tx a une distribution reguliere Tx associee a une fonction x, on ob-
tienne la distribution reguliere Tx(a) associee a la fonction x(a) obtenue a partir de la fonction x
par changement dechelle. Or
Z + Z + !
1 e
t 1 
D, < Tx(a) , >= x(at)(t)dt = e
x(t) e
dt = < Tx , >
|a| a |a| a

ce qui donne avec le changement de variable e


t = at :
Z + !
1 e
t 1 
D, < Tx(a) , >= x(e
t) de
t= < Tx , >
|a| a |a| a
ce qui est coherent avec la definition du changement dechelle dune distribution.

Exemple Determinons le changement dechelle dune impulsion de Dirac. Par application de la


definition : 
1 1  0 
< echa 0 , >= < 0 , >= .
|a| a |a| a
Cette derniere quantite peut sinterpreter comme le resultat de limage de la fonction test par la
1
distribution |a| a0 :
1  0  1
=< 0 , > .
|a| a |a| a
Par suite,
1
echa 0 = 0 .
|a| a
1
Ce qui nest pas forcement le resultat que lon aurait spontanement attendu du fait du facteur |a|
!
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 41

Multiplication dune distribution par une fonction Pour toute distribution T et toute fonction
f indefiniment derivable, le produit f.T est une distribution definie par :

D, < f.T, >=< T, f. > .

Nous utiliserons dans la suite la consequence de ce resultat lorsquil est applique a la distribution
impulsion de Dirac :
f.a = f (a).a (2.13)

Derivation dune distribution La derivee T dune distribution T est la distribution definie par :

D, < T , >= < T, > . (2.14)

Cette formule a ete etablie de facon a generaliser la derivation des fonctions aux distributions.
En effet, il est naturel de definir la derivee dune distribution reguliere Tx de fonction derivable x
comme la distribution reguliere Tx associee a la fonction x . Montrons que la formule (2.14) est
coherente avec cet objectif. La distribution associee a x secrit en effet :
Z +
D, < Tx , >= x (t)(t)dt.

En faisant une integration par parties, on a alors :


Z + Z +
+
x (t)(t)dt = [x(t)(t)] x(t) (t)dt = < Tx , >,
| {z }
0

le premier terme de droite etant nul du fait que est une fonction test.
La formule (2.14) permet ainsi detendre la notion de derivation a des fonctions discontinues
a travers leurs distributions regulieres associees.

Exemple Soit la fonction appelee echelon dHeaviside et definie par



t > 0, (t) = 1

t = 0, (t) est non definie


t < 0, (t) = 0

Si est considere comme une fonction alors pour t 6= 0, (t) = 0 et (0) nest pas definie. Par
contre, on peut definir la derivee de la distribution reguliere associee a :
Z +

D, < T , >= < T , >= (t)dt = (0) =< 0 , >
0

Par suite, au sens des distributions,


T = 0 ,
ce quon note generalement de facon abusive :

= 0 .
42 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

Exemple Lexemple precedent montre quil est possible au sens des distributions de definir la
derivee dune fonction presentant des discontinuites. Une fonction qui secrit comme la somme
dune fonction derivable et dune somme de fonctions echelons dHeaviside, par exemple :
f = g + 12
ou g est derivable en est un exemple. Alors, au sens des distributions, en utilisant labus de nota-
tion, on a :
f = g + 12.

Remarque Au-dela de la generalisation de la notion de derivation aux distributions, linteret de


la derivation au sens des distributions est de permettre linversion entre limite ou somme infinie et
derivation. En effet, si, dans le cas des fonctions, il est necessaire de poser un nombre important
dhypotheses, ce nest plus le cas lorsque linversion est effectuee au sens des distributions. Dans
le cadre de ce document de cours, cette remarque sera appliquee page 116 pour etablir la formule
sommatoire de Poisson.

2.6.3 Transformee de Fourier dune distribution


Dans le droit fil de la definition de la derivation, on peut definir la transformee de Fourier dune
distribution T par
D, < F[T ], >=< T, F[] > . (2.15)
Puisque F[T ] est une transformee de Fourier, la fonction test est une fonction de .
Comme precedemment, cette formule peut se justifier via les distributions regulieres18 : nous
allons voir que pour une distribution reguliere Tx definie par une fonction x de L1 (R) L2 (R),
on retrouve bien la transformee de Fourier telle quelle a ete definie section 2.4.2. En notant que
etant une fonction de , F[] sera une fonction19 de t :
Z + Z + Z + 
2it
< Tx , F[] > = x(t)F[](t)dt = x(t) ()e d dt

Z + Z + 
2it
= x(t)e dt ()d

| {z }
F [x]()

= < TF [x] , > .


18
En realite, il y a une subtilite theorique qui na cependant pas de repercussion sur lutilisation pratique que lon
va faire de cette formule dans cet enseignement. Neanmoins, pour etre complet, on va en souligner les grandes lignes.
La difficulte est quon peut demontrer que meme si est une fonction test, ce nest pas forcement le cas de F[].
Par suite, F[] nest pas dans le domaine de definition de T et donc lecriture < T, F[] > na pas de sens. Pour
surmonter cette difficulte, on est amene a definir les distributions temperees. Une distribution temperee se definit de
la meme facon quune distribution si ce nest quau lieu de travailler sur lensemble des fonctions tests D on travaille
sur lensemble des fonctions a decroissance rapide S(R). Une fonction est a decroissance rapide si pour tout p N,
on a :
lim | p ()| = 0.
||

On a la propriete que D S(R). Un exemple de distribution temperee est limpulsion de Dirac.


Si S(R) alors F[] S(R). Par suite, si T est une distribution temperee et si S(R) alors F[] S(R)
et donc F[] appartient au domaine de definition de T .
19
Noter que dans (2.8), t et interviennent de facon symetrique dans e2it .
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 43

Par suite, avec cette definition de la transformee de Fourier dune distribution, la transformee de
Fourier de la distribution reguliere associee a x est la distribution reguliere associee a F[x].

La transformee de Fourier dune distribution conserve les proprietes de la transformee de Fou-


rier dune fonction, voir la sous-section 2.4.3. Notamment, la transformation de Fourier definie
sur les distributions est une application lineaire et continue.

Transformee de Fourier inverse dune distribution Elle est definie par :

D, < F 1 [T ], >=< T, F 1 [] > .

De la definition de la transformee de Fourier et de la transformee inverse, on deduit que :

F 1 [F[T ]] = T. (2.16)

Transformee de Fourier de limpulsion de Dirac On peut la determiner en appliquant la


definition de la transformee de Fourier dune distribution :
Z +
< F[a ], >=< a , F[] >= F[](a) = e2ia ()d =< Te2ia , > .

Par suite,
F[a ] = Te2ia ,

ce que lon note de facon abusive :

F[a ]() = e2ia . (2.17)

Et donc, avec a = 0,
F[] = 1.

Transformee de Fourier de la fonction 1 Cest lexemple de la page 33. Lastuce est de montrer
que F 1 [] = 1 et den deduire F[1]. Pour cela, on applique la meme demarche que precedemment
mais en utilisant la definition de la transformee de Fourier inverse.
Z +
1 1 1
<F [], >=< , F [] >= F [](0) = ()d =< T1 , > .

Par suite, avec labus de langage usuel, F 1 [] = 1. Dapres la relation (2.16), on a alors :

F[1] = .
44 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

1.5
|F()|

0.5

0.5
0
0 0

F IG . 2.21 Representation du module de F () = F[sin(20 )]()

Application : determination de la transformee de Fourier de la fonction sin(20 )


1 2i0 t 
sin(20 t) = e e2i0 t .
2i
La transformee de Fourier etant lineaire :
1 
F[sin(20 )] = F[e2i0 ] F[e2i0 ] .
2i
Dapres la relation vue section 2.4.3.5, avec f = 1 :

F[e2i0 ] = 0 .

Par suite, F[e2i0 ] = 0 et


1
F[sin(20 )] = ( 0 ) .
2i 0
On obtient donc un spectre constitue de deux impulsions de Dirac20 , voir figure 2.21.

Exemple Calculons la transformee de Fourier de la fonction cos(20 a) a partir de la trans-


formee de Fourier de cos(20 ) par application de la propriete de Changement dechelle de la
transformation de Fourier presentee section 2.4.3.3.
Dapres la propriete de changement dechelle :
1
F[cos(20 a)] = ech 1 F[cos(20 )].
|a| a

Comme
1
F[cos(20 )] = ( + 0 ) , (2.18)
2 0
20
Et non de raies comme il est courant dentendre.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 45

on a :
1  |a|
ech 1 F[cos(20 )] = ech 1 0 + ech 1 0 . = (a0 + a0 ) .
a 2 a a 2
Et donc
1
F[cos(20 a)] = (a0 + a0 ) . (2.19)
2
Bien entendu, on aurait pu utiliser directement la formule (2.18) pour obtenir en remplacant 0 par
a0 la formule (2.19).

2.6.4 Transformee de Fourier de fonctions (au sens des distributions)


Dans la section 2.4.2, nous avons vu que la transformee de Fourier pouvait etre definie pour
les fonctions de L1 (R). Lintroduction de la transformation de Fourier pour les distributions per-
met de definir la transformee de Fourier dune fonction (au sens des distributions) : par cette
expression, il faut comprendre la transformee de Fourier de la distribution reguliere associee a
la fonction (Yes !). De cette facon, on peut definir la transformee de Fourier :
les fonctions de L2 (R) ;
les fonctions localement integrables et a croissance lente a linfini. Une fonction f est a
croissance lente a linfini sil existe A > 0 et m N tels que |f (t)| A|t|m pour |t|
suffisamment grand. Les fonctions periodiques ou encore les fonctions polynomiales (telle
que la fonction 1) sont des fonctions a croissance lente a linfini.

2.6.4.1 Fonctions periodiques


Le cas des fonctions periodiques est particulierement interessant. Soit fp une fonction periodique
de periode T admettant une decomposition de Fourier :

X n
t R, fp (t) = cn e2i T t .
n=

A partir de la linearite et de la continuite de la transformee de Fourier, on peut demontrer que :



X n
F[fp ] = cn F[e2i T ].
n=

n
Dapres (2.17), F[e2i T ] = Tn . Dou

X
F[fp ] = cn Tn .
n=

La transformee de Fourier dun signal periodique est donc discrete (non nulle seulement pour
les frequences Tn ). Si on reprend lexemple de la fonction representee figure 2.6, on obtient la
representation graphique figure 2.22, soit un spectre dimpulsions de Dirac. On en avait vu un
exemple avec la fonction sinus, voir figure 2.21.
Il est dailleurs interessant de mettre en vis-a-vis un tel spectre avec celui de la fonction motif21
correspondante, voir figure 2.24. Le spectre de fp est issu du spectre de sa fonction motif fm par
21
La fonction motif fm dune fonction periodique fp de periode T est une fonction nulle sauf sur un intervalle I
de longueur T telle que t I, fp (t) = fm (t). Un exemple est donne figure 2.23.
46 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

0.6
T0/T
c
0.5 0

0.4

c c
0.3 1 1
1/T

0.2

0.1
c c c c
8 5 c c2 c 5 8
4 2
0
c c c9
9 c 4 c7
7 c c
6 6
0.1 c c3
3

0.2
5 4 3 2 1 0 1 2 3 4 5

F IG . 2.22 Spectre de la fonction periodique associee a la fonction rect

fonction motif
0.08

0.06

0.04

0.02

0
5 0 5 10
t
fonction priodique
0.08

0.06

0.04

0.02

0
5 0 5 10
t

F IG . 2.23 Fonction periodique et fonction motif


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 47

TEMPS FREQUENCE
1.5 2.5

T0
2

1
1.5

T sinc(T )
rect(t/T )

0
0

0.5 1
0

0.5

T0
0.5 0.5
T0/2 0 T /2 2/To
1/To 0 1/To2 /To
0
t

Periodisation du motif Discretisation


1.5 0.6
T /T
0 c
T 0.5 0
0

1 0.4

c c1
0.3 1
1/T
f (t)

0.5 0.2
p

0.1
c8 c5 c c
c c2 c2 5 8
4
0 0
c c c9
9 c 4 c
7 c c 7
6 6
0.1 c3 c3
T

0.5 0.2
3 2 1 0 1 2 3 5 4 3 2 1 0 1 2 3 4 5
t

F IG . 2.24 Spectre dune fonction periodique et spectre de la fonction motif correspondante


48 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

une discretisation et un facteur dechelle de T1 . Ce facteur dechelle decoule du fait que :


Z T Z + n
1 2 n
2i T t 1 n 1
cn = fp (t)e dt = fm (t)e2i T t dt = Fm .
T T2 T T T

2.6.4.2 Fonction echelon


Dans la note de bas de page22 , on demontre que
1 1
F[] = + .
2i 2
Merci de bien noter le terme 21 qui est souvent oublie, avec parfois pour consequence un resultat
incorrect.

2.6.4.3 Fonction sinus cardinal


h  i
F sinc = T. rect(T ). (2.22)
T
Voir la demonstration en TD.

2.7 Exemples danalyse frequentielle


2.7.1 Caracterisation de laudition humaine
Dans lair, le son se propage sous la forme dune variation de pression. Le niveau du son
decoule donc de la pression acoustique exprimee en Pascal (Pa). La sensation de niveau sonore
22
Dans lexemple page 41, nous avons vu que = . Dautre part, dapres la sous section 2.4.3.6,

F[f ]() = 2iF[f ] ().

Par suite
2iF[]() = F[]() = 1. (2.20)
Ici, il faut faire attention que les termes de cette equation sont des distributions. On peut ainsi demontrer quau sens
des distributions :
() = 0
Par suite, la solution de lequation (2.20) secrit :
1
F[] = + k (2.21)
2i
ou k est une constante a determiner. Pour determiner k, on va regarder la valeur que prend la distribution definie par
F[] pour une fonction test particuliere definie par :

1 2
() = e 2
2
Cette fonction test est telle que :
1 t2
F[](t) = e 2 .
2
En utilisant cette expression de F[] et la relation (2.15), on demontre que < F[], >= 1 . Dautre part, en
2 2
utilisant (2.21), on demontre que < F[], >= k 12 . Par suite, k = 21 .
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 49

par un auditeur humain dune composant sinusodale dun son appelee sonie depend de la pression
acoustique mais aussi de la frequence de cette composante. La figure 2.2523 represente la pression
que doit avoir un son en fonction de la frequence afin dobtenir une meme perception de volume
sonore pour un humain a loue fine [11].

F IG . 2.25 Courbes daudition isosoniques : Pression acoustique en Pascal (ordonnee a droite)


versus frequence (abscisse) (extrait de [11])

Au dela de son interet scientifique, la caracterisation de laudition humaine a un interet pra-


tique important pour lingenieur : elle va permettre de definir une partie du cahier des charges
des systemes technologiques qui vont effectuer le traitement du son pour des applications bien
determinees 24 . Ainsi, par exemple, un telephone est un systeme technologique dont lobjectif est
23
Lordonnee a gauche represente le niveau sonore defini par :
 
P
L = 20 log
P0

avec P la pression acoustique en Pascal et P0 = 2 105 la pression acoustique de reference : elle correspond au
seuil de laudition.
24
Les limites de la perception ont ete illustrees par le peinture belge Renee Magritte, voir par exemple le tableau
50 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

de traiter la parole. La figure 2.25 nous montre que le spectre de la parole comprend des compo-
santes comprises entre 800 Hz et 8 kHz environ. Lorsque la parole va etre traitee par le telephone,
il est donc primordial de ne pas alterer la partie du spectre qui est dans cette gamme de frequences.

2.7.2 Description de la bande VHF


Il sagit de la bande de frequence radio qui setend de 30.525 a 400 MHz. Elle est utilisee de
la facon decrite dans le tableau 2.5.

2.8 Resolution dequations differentielles ou de la transformee


de Fourier a la transformee de Laplace

Problme initial Problme


dans le domaine dans le domaine
temporel frquentiel
Transformation

Rsolution Rsolution
difficile simple

Solution Solution
temporelle frquentielle

Transformation
inverse

F IG . 2.26 Transformez votre vie !

Les proprietes de la Transformee de Fourier presentees section 2.4.3 peuvent etre exploitees
pour la resolution dequations differentielles lineaires a coefficients constants. Le principe est de
calculer la transformee de Fourier de la solution puis dobtenir la solution par transformee de
Fourier inverse suivant le schema presente figure 2.26. Ceci est illustre dans lexemple qui suit.

Exemple Soit lequation differentielle :

t R, y(t) + ay(t) = bx(t). (2.23)

On desire determiner la fonction y solution de cette equation pour x = .

La Trahison des images . Lart de lingenieur est dexploiter au mieux les limites de la perception humaine. Pour
cela, il est important de les connatre.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 51

Frequence Utilisation
30,525 a 32,125 MHz Reseaux prives
30,750 a 32,075 MHz Appareils faible portee non specifiques
31,300 MHz Radiomessagerie sur site
32,125 a 32,500 MHz Usage militaire
32,500 a 33,700 MHz Reseaux prives
32,800 MHz Microphones sans fils
33,000 a 34,850 MHz Usage militaire
34,850 a 36,200 MHz Reseaux prives
36,200 a 36,400 MHz Microphones sans fils
36,400 a 37,500 MHz Usage militaire
37,500 a 38,250 MHz Radio-astronomie
39,000 a 40,600 MHz Reseaux prives
40,660 a 40,700 MHz Appareils faible portee non specifiques
40,995 a 41,105 MHz Aeromodelisme
41,100 a 41,200 MHz Modelisme
41,205 a 41,245 MHz Telealarme pour personnes agees jusquau 31/12/2005
41,310 a 41,475 MHz Telephones sans fils
47,000 a 47,120 MHz Reseaux prives
47,400 a 47,600 MHz Reseaux prives en region parisienne seulement
47,600 a 47,700 MHz Reseaux prives
50,200 MHz Liaison video sol-train, en region parisienne
50,200 a 51,200 MHz Trafic amateur
55,750 a 63,750 MHz Television bande I
56,330 MHz Liaison video sol-train, en region parisienne
62,860 MHz Liaison video sol-train, en region parisienne
68,000 a 68,460 MHz Usage militaire
68,462 a 69,250 MHz Reseaux prives
69,250 a 70,000 MHz Usage militaire
70,250 a 70,525 MHz Reseaux prives
70,525 a 70,975 MHz Usage militaire
70,975 a 71,950 MHz Reseaux prives
71,300 a 71,800 MHz Appareils faible portee non specifiques
72,200 a 72,500 MHz Modelisme
72,500 a 73,300 MHz Reseaux prives
73,300 a 74,800 MHz Gendarmerie nationale
74,800 a 75,200 MHz Radiolocalisation aeronautique (Marker)
75,200 a 77,475 MHz Reseaux prives, taxis
77,475 a 80,000 MHz Gendarmerie nationale
80,000 a 82,475 MHz Reseaux prives
82,475 a 83,000 MHz Usage militaire
83,000 a 87,300 MHz Police, pompiers, SAMU
87,300 a 87,500 MHz Radiomessagerie unilaterale : alphapage, biplus ou eurosignal
87,500 a 108,000 MHz Radiodiffusion FM bande II
108,000 a 117,950 MHz Radio Navigation Aeronautique (VOR et ILS)
118,000 a 136,000 MHz Trafic aeronautique, bande air ou aviation (frequence de detresse 121,5MHz)
137,000 a 138,000 MHz Liaisons satellitaires descendantes,(Satellites Meteo)
138,000 a 144,000 MHz Usage militaire
143,9875 a 144,000 MHz Frequence reservee vol libre
144,000 a 146,000 MHz Trafic amateur, bande des 2 metres
146,000 a 156,000 MHz Trafic aeronautique (liaisons satellitaires montantes de 148MHz a 150MHz )
151,005 a 152,990 MHz Reseaux prives
152,000 a 152,020 MHz Radiomessagerie sur site
152,570 a 152,655 MHz Appareils faible portee non specifiques
152,990 a 155,995 MHz Reseaux prives
154,980 a 155,180 MHz Liaisons fixes dabonnes isoles
155,995 a 162,995 MHz Reseaux prives en dehors des cotes
156,025 a 157,425 MHz Trafic maritime et fluvial, bande VHF marine
160,625 a 160,950 MHz Trafic maritime et fluvial, bande VHF marine
161,550 a 162,025 MHz Trafic maritime et fluvial, bande VHF marine
162,500 a 162,525 MHz Trafic maritime et fluvial, bande VHF marine
164,800 a 168,900 MHz Reseaux prives
169,410 a 173,815 MHz Radiomessagerie norme ERMES
169,795 a 173,495 MHz Reseaux prives
173,500 a 174,000 MHz Police, pompiers, SAMU
174,000 a 223,000 MHz Television bande III
174,000 a 234,000 MHz DAB bande III
175,500 a 178,500 MHz Microphones sans fil
183,500 a 186,500 MHz Microphones sans fil
223,500 a 225,000 MHz Appareils faible portee non specifiques jusquau 31/12/2005
225,000 a 400,000 MHz Trafic aeronautique et liaisons satellitaires militaires

TAB . 2.5 Utilisation de la bande VHF


52 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

1. La premiere etape consiste a prendre la transformee de Fourier de cette equation. La trans-


formee de Fourier a la propriete de linearite : F[af + bg] = aF[f ] + bF[g]. Dou

F [y + ay] = F [y] + aF [y] .

Par la propriete sur la derivation : F[f (n) ]() = (2i)n F (), on a :

F [y] = 2i F [y] .

Par suite, la transformee de Fourier de lequation differentielle mene a :

(2i + a) Y () = bX().

Dou on a Y () = G()X() avec


b
G() = .
2i + a

2. La seconde etape consiste a remplacer X par son expression. Dapres la sous section 2.6.4.2 :
1 1
F[] = + .
2i 2
Dou
1 1
Y =G + G
2i 2
Or, dapres (2.13), page 41, G = G(0) soit b/a.

3. La troisieme etape consiste a faire une decomposition en elements simples de la fonction


rationnelle Y ().

1 b 1 b/a b/a
G() = = +
2i 2i + a 2i 2i + a 2i
par decomposition en elements simples. Dou :

1 1 1
Y = b/a
+ +
2i +a |2i{z 2 }
F []

Dapres le TD 1 :
1
F[ea ] =
2i +a
Dou, en prenant la transformee de Fourier inverse, on obtient :

y = b/a 1 ea .

La demarche precedente na de sens que si pour les signaux x et y, il est possible de definir
leur transformee de Fourier. Pour la fonction x = , nous savons dapres la sous section 2.6.4.2
que celle-ci est definie au sens des distributions. La fonction y correspond elle a une fonction qui
fait intervenir le terme eat .
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 53

Dans le cas ou a > 0, y appartient a L1 (R) et donc dapres Theoreme 2.4.1, il admet
forcement une transformee de Fourier.
Dans le cas ou a < 0, y nappartient pas a L1 (R) et elle nest pas a croissance lente a linfini.
Dapres la sous section 2.6.4, il nest donc pas evident que x admette une transformee de
Fourier, meme au sens des distributions25 .

Par suite, la demarche appliquee dans lexemple precedent nest pas correcte dans le cas ou
a < 0. Comment ladapter pour pouvoir traiter correctement cet exemple ?

Pour cela, on a recourt a une astuce (changement de variable) qui consiste a introduire le signal
z tel que y = e z, avec telle que > a et w tel que x = e w, dans lequation 2.23, ce qui
donne :
t R, et z(t) + (a + ) et z(t) = bet w(t)
soit
t R, z(t) + (a + ) z(t) = bw(t).
Avec > a, les fonctions z et w appartiennent a L1 (R) : il est alors possible de definir leur
transformee de Fourier et donc dappliquer la transformee de Fourier a lequation ci-dessus.
Or, par definition, Z +
Z() = z(t)e2it dt

Z +
= et y(t)e2it dt

Z +
= y(t)e(+2i)t dt

Soit s = + 2i une variable complexe appelee variable de Laplace. La quantite ci-dessous


definit une fonction de s appelee Transformee de Laplace bilaterale de y :
Z +
Y (s) = y(t)est dt

et notee Lbl [y](s). Lbl [y] est une generalisation de la transformee de Fourier F[y] qui etait definie
par : Z +
F[y]() = y(t)e2it dt

ou lon a remplace 2i par la variable complexe s. Attention que lintegrale ci-dessus nest bien
definie que pour s appartenant a un sous ensemble de C bien defini. Dans lexemple considere, le
nombre complexe s doit etre tel que Re(s) > a ou a est appele abscisse de convergence.
Definir la transformee de Laplace de y avec un abscisse de convergence de a revient donc a
definir la transformee de Fourier de z qui est bien definie puisque z L1 (R).

Il est aussi possible de definir la transformee de Laplace monolaterale


Z +
Y (s) = y(t)est dt
t=0

25
Et cest effectivement le cas.
54 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

Temporel Laplace Ensemble de definition

1 C

a ea C
1

C
1
ea +a
Re(s) > a
aR
0
ea sin(0 ) (+a)2 +02
Re(s) > a
aR
+a
ea cos(0 ) (+a)2 +02
Re(s) > a
aR

TAB . 2.6 Transformees de Laplace usuelles

que lon notera dans la suite L[y]. Pour les signaux y tels que t < 0, y(t) = 0, les transformees de
Laplace monolaterale et bilaterale concident26 . Souvent, la resolution des equations differentielles
telles que (2.23) se fait pour t 0, avec des conditions initiales donnees pour t = 0, par exemple :
(
t 0, y(t) + ay(t) = bx(t)
y(0) = y0

Ceci explique linteret particulier de la transformee de Laplace monolaterale. Un autre point est
que le calcul dune transformee bilaterale peut se ramener au calcul de deux transformees mono-
laterales car on a :
Z + Z 0 Z +
st st
y(t)e dt = y(t)e dt + y(t)est dt
0
Z + Z +
st
= y(t )e dt + y(t)est dt
0 0

en faisant le changement de variable t t dans la premiere integrale. Ces deux termes corres-
pondent a deux transformees monolaterales :

Lbl [y](s) = L[y()](s) + L[y](s).

Dans la suite, on ne sinteressera donc qua la transformee de Laplace monolaterale.

Comme dans le cas de la transformee de Fourier, on peut etablir les transformees de Laplace
(monolaterales) de fonctions usuelles ainsi que de distributions. Un certain nombre dexemples
sont presentes dans le tableau 2.6.

26
Ces signaux sont parfois appeles causaux. Cependant, cette appellation est assez trompeuse puisque la causalite
est la propriete dun systeme de convolution qui se traduit par le fait que la reponse impulsionnelle de ce systeme est
nulle pour les t < 0.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 55

Linearite L[af + bg] = aL[f ] + bL[g]


1

Changement L[f (a)](s) = |a| L[f ] as
dechelle

Translation L[f ( t0 )](s) = est0 L[f ](s)


temporelle

Modulation L[es0 f ](s) = L[f ] (s s0 )



Derivee L[f (n) ](s) = sn L[f ](s) sn1 f (0) + sn2 f (1) (0) + + sf (n2) (0) + f (n1) (0)
Z 
1
Integration L f (u)du (s) = L[f ](s)
0 s

TAB . 2.7 Proprietes de la Transformation de Laplace (monolaterale)

Du fait de la proximite des deux transformees, les proprietes de la transformee de Laplace sont
similaires aux proprietes de la transformee de Fourier, voir tableau 2.7.

Exemple En appliquant la transformee de Laplace sur lequation :


(
t 0, y(t) + ay(t) = bx(t)
y(0) = y0

et les proprietes du tableau 2.7 de la sous section, on obtient alors :

(s + a) Y (s) y(0) = bX(s)

Dapres le tableau 2.6, on a alors

b 1 1 y(0) b/a b/a


Y (s) = + y(0) = +
s+as s+a s+a s
Dapres le tableau 2.6, on en deduit que :

t R, y(t) = (y(0) b/a)eat (t) + (b/a)(t).

2.9 En resume
Sil est naturel de modeliser un signal par une fonction, une approche plus satisfaisante
consiste a modeliser un signal par une distribution, notion qui etend la notion de fonction.
Une distribution particuliere et incontournable en traitement du signal est limpulsion de
Dirac a .
56 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE

Un signal peut etre caracterise par son spectre, lanalyse frequentielle correspondant a
letude de ce spectre. Comme nous lavons vu dans lexemple de laudition humaine, le
spectre dun signal peut permettre de determiner linformation pertinente pour une applica-
tion donnee27 . Ce point est important : il sera par exemple exploite dans le chapitre suivant
pour extraire linformation utile dun signal dans le chapitre suivant.
La decomposition en serie de Fourier est un premier outil danalyse frequentielle valable
pour des fonctions definies sur un intervalle (avec certaines proprietes) et pour des fonctions
periodiques. Cependant, dans ce qui suit, sauf indication contraire, lanalyse frequentielle
se basera sur la transformee de Fourier, car elle peut etre definie pour une classe riche de
signaux, contrairement a la serie de Fourier, quitte a la definir au sens des distributions.
Les spectres de signaux elementaires ont ete etudies a travers des exemples :
1. Non periodiques : rect, tri28 , sinc, ...
2. Periodiques
La transformee de Fourier peut etre utilisee pour la resolution dequations differentielles
lineaires a coefficients constants a condition de sassurer quelle est bien definie pour les
signaux sur lesquels elle sapplique.
La transformee de Laplace est une extension de la transformee de Fourier qui est bien definie
pour une classe de signaux plus importante que la transformee de Fourier, par exemple pour
les signaux qui ont une divergence exponentielle a linfini. Elle permet ainsi de resoudre de
facon plus systematique les equations differentielles.
Dans la suite du document, par convention, une lettre minuscule fait reference a un signal
dans le domaine temporel et la meme lettre en majuscule a sa transformee de Fourier ou de
Laplace.

2.10 Annexe du chapitre : un exemple de script Matlab


Sous Matlab, il existe deux modes de fonctionnement :
1. Soit les commandes sont tapees en ligne, sous le prompt >> dans la fenetre Matlab ;
2. Soit un fichier filename.m est cree dans lequel une suite dinstructions Matlab est
ecrite. Ce fichier est ensuite execute sous Matlab. Un tel fichier est appele script. Pour
creer un nouveau script, cliquer sous la fenetre Matlab sur la premiere icone en haut a
gauche. Lediteur qui est ouvert sutilise alors comme tout editeur. Pour lexecuter, apres
avoir sauvegarde le fichier, taper le nom du script (sans lextension .m) sous le prompt de
Matlab ou cliquer sur licone play de lediteur.
Conseil pratique : le second mode de fonctionnement est preferable au premier.

Dans les exemples presentes dans ce chapitre, les scripts Matlab ont essentiellement servi
a tracer les courbes caracteristiques de fonctions. Par exemple, pour obtenir figure 2.2, la suite
dinstructions suivante permet de tracer la courbe caracteristique de la fonction (2.2) :

T = 2; % Initialisation de la variable T

tv = linspace(-T/2,T/2,1000); % Creation dun vecteur de 1000 elements


% espaces lineairement dont le premier
27
Cest-a-dire dans le cas de laudition humain, la part du son qui est effectivement percu par un etre humain.
28
Cette fonction est definie en TD.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 57

% vaut -T/2 et le dernier +T/2

ft = cos(2*pi/T*tv)+4*sin(2*pi/T*tv) + 4*(cos(2*pi/T*2*tv));
% Calcul des valeurs de la fonction f
% pour t prennant ses valeurs dans le
% vecteur tv

figure, % Creation dune nouvelle figure

plot(tv, ft); % Trace des points de coordonnees prises dans les vecteurs
% tv et ft, les points successifs
% etant relies par des segments de droite

grid on; % Affichage dune grille

hold on; % Fige le contenu de la figure active

plot(tv,cos(2*pi/T*tv),:,tv,4*sin(2*pi/T*tv),-.,tv,
4*cos(2*pi/T*2*tv),--);
% Trace sur la figure les differents termes
% de la decomposition en serie de Fourier

Un point de syntaxe : le % definit le debut dune zone de commentaires. De plus pour avoir
dinformation sur une fonction Matlab de nom xxnom de fonction, consulter laide, par exemple
en tapant help nom de fonction sous le prompt >> dans la fenetre Matlab.
58 C HAPITRE 2 A NALYSE EN TEMPS ET EN FR EQUENCE
Chapitre 3

Modeliser et caracteriser un systeme :


Convolution et filtrage frequentiel

Dans le chapitre precedent, nous avons vu comment caracteriser un signal par lanalyse frequen-
tielle. Dans ce chapitre, nous allons mettre a profit cette caracterisation pour aborder une des
grandes techniques de traitement de signal permettant dextraire dun signal donne, un signal
utile : il sagit dobtenir le signal utile comme la sortie dun systeme de convolution (judicieu-
sement choisi) ayant en entree le signal a traiter (filtrage).

Les differentes notions sous-jacentes sont introduites a travers des elements sur la compression
MP3 dans la section 3.1. Apres avoir defini loperation de filtrage frequentiel dans la section 3.2,
les systemes et les systemes de convolution sont ensuite definis dans la section 3.3. Leur mise en
uvre pour le filtrage est abordee dans la section 3.4 : le type de filtrage presente est qualifie de
frequentiel car base sur une caracterisation frequentielle des signaux telle que presentee dans le
chapitre precedent. Le chapitre se termine sur le fenetrage temporel presente section 3.5.

3.1 Un exemple introductif : la compression MP3


La compression est un ensemble de methodes visant a reduire lespace necessaire a la represen-
tation dun signal. Ce point est important que ce soit pour la transmission dun signal ou son
stockage. La compression MP31 est un algorithme de compression audio. Elle sapplique a des
signaux sonores destines a etre ecoutes par un etre humain2 . De facon schematique, un signal
sonore x peut se decomposer en deux parties :

t R, x(t) = xu (t) + xr (t)

ou
1. xu est la partie utile : dans lexemple present, il sagit de la partie du son audible par
letre humain ;
2. xr est la partie inutile : dans lexemple present, il sagit de la partie du son inaudible
par letre humain.
1
La compression MP3 ou MPEG-1 Layer 3 est une technologie europeenne. Lalgorithme MPEG-1 Layer
3 decrit dans les standards ISO/CEI IS 11172-3 et ISO/CEI IS 13818-3 est soumis a des redevances (droits com-
merciaux) a Philips (entreprise neerlandaise), TDF (entreprise francaise), France Telecom (entreprise francaise), IRT
(entreprise allemande), Fraunhofer IIS (entreprise allemande) et Thomson (entreprise francaise) pour toute utilisation
ou implantation physique (notamment sur les baladeurs MP3).
2
Ce point bien quevident est en fait fondamental pour bien comprendre la compression MP3.

59
60 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

La compression MP3 est basee sur le constat que loreille humaine ne pouvant percevoir que xu ,
plutot que de coder lensemble du signal sonore x, il est simplement necessaire de coder la part
utile xu . Puisque seule la partie utile est codee, la quantite de donnees necessaire sera donc plus
faible que si lensemble du signal x etait code.

La question est de savoir comment extraire xu a partir du signal x. Cette question peut etre
abordee en deux etapes :
1. Caracterisation du signal xu : cette caracterisation se fait a partir de lanalyse en temps et en
frequence du signal x telle quelle a ete presentee dans le chapitre precedent ;
2. Extraction de la partie utile xu : lextraction de xu se fait par des techniques de filtrage dont
le principe est presente dans ce chapitre.

F IG . 3.1 Principe du codage MP3 (extrait de http ://computer.howstuffworks.com/mp31.htm)

La caracterisation de xu est basee sur differentes regles3 dont quelques exemples sont presentees
ci-dessous :
Loreille humaine ne percoit que la partie du spectre comprise entre 20 Hz et 20 kHz environ.
On peut donc eliminer les composantes de x dont le spectre est nul dans cet intervalle de
frequences.
Si le signal peut etre decompose en deux composantes dont le spectre est non nul dans
deux intervalles de frequences distincts et que les energies de ces signaux different de facon
importante, on ne peut conserver que la composante du signal presentant lenergie la plus
importante, voir figure 3.1.
En dessous dune certaine frequence, loreille humaine nest plus capable de faire la distinc-
tion spatiale du son. Il est alors plus judicieux de coder la part du signal x correspondant a
cet intervalle de frequence en mono plutot quen stereo.
Etc..
Le point commun entre toutes ces regles est quelles sont basees sur les caracteristiques du spectre
du signal et que le signal utile peut etre obtenu en supprimant certaines composantes spectrales
3
Qui constituent un modele psycho-acoustique de loreille humaine.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 61

du signal, voir figure 3.1. Lidee est de generer un signal dont le spectre est nul sur certains inter-
valles de frequence et qui concide avec le spectre du signal de depart sur les autres frequences.
Cette compression basee sur le spectre du signal de depart permet de diviser jusqua un facteur de
12 la quantite de donnees stockees. Merci Monsieur Fourier !

Comment extraire dun signal x un signal utile xu caracterise frequentiellement ?

3.2 Filtrage frequentiel : objectif


Pour supprimer certaines composantes spectrales dun signal, la technique utilisee est le
filtrage frequentiel.

SIGNAL SIGNAL
0.04
0.06
- ??? -
0.04
0.02

0.02

y(t)
x(t)

0
0

0.02 0.02

0.04
0.04 0 2 4 6 8 10
0 2 4 6 8 10 t
t

SPECTRE en module SPECTRE en module


3 3

2.5 2.5

2 2
|Y()|
|X()|

1.5 1.5

1 1

0.5 0.5

0 0
0 100 200 300 400 500 0 100 200 300 400 500

1 1
F IG . 3.2 Exemple de filtrage frequentiel : N = 1, min = 100 Hz, max = 400 Hz

Le filtrage frequentiel est loperation qui consiste en :


i i
Etant donne N intervalles de frequences [min ; max ], tel que pour tout i {1, , N },
i i i i+1
min < max et pour tout i {1, , (N 1)}, max < min ;
Pour tout signal x
Produire un signal y tel que :
[ 
i i

min ; max , Y () = X() ;

i
[ 

R \ i
min i
; max , Y () = 0.

i

i i
On parle de transmission dans les intervalles de frequences [min ; max ] et dattenuation pour les
frequences nappartenant pas a ces intervalles.
Un exemple est presente figure 3.2.
62 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Remarque Si loperation de filtrage filtrage frequentiel est definie a partir des spectres des si-
gnaux, dans la majorite des cas, elle est realisee sur les signaux dans le domaine temporel, sans
calcul explicite de leur spectre.
Le filtrage frequentiel est fonde sur les systemes de convolution qui sont maintenant presentes.

3.3 Systemes de convolution


Les systemes de convolutions sont definis a partir du produit de convolution.

3.3.1 Produit de convolution et systemes de convolution


3.3.1.1 Definition

Causes Effets

Information - -Information
Energie - SYSTEME - Energie
Matiere - - Matiere

ENTREE SORTIE

F IG . 3.3 Systeme general

Un systeme est un processus qui transforme un ou plusieurs signaux dentree en un ou plu-


sieurs signaux de sortie, voir figure 3.7. En Physique, un systeme est en general une portion de la
realite definie par une frontiere et organisee en fonction dun but. En Traitement du Signal, sil est
organise en fonction dun but, il peut etre plus virtuel : par exemple, cela peut correspondre a un
programme informatique qui effectue des calculs a partir dun signal pour produire un nouveau
signal.

x1 y1
- Systeme -

x1 + x2 y1 + y2
- Systeme -

x2 y2
- Systeme -

F IG . 3.4 Additivite
Un systeme lineaire est un systeme qui obeit au principe de superposition, defini par les pro-
prietes dadditivite et dhomogeneite :
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 63

Additivite Si pour un systeme, y1 est le signal de sortie correspondant au signal dentree x1 et


y2 est le signal de sortie correspondant au signal dentree x2 alors pour le signal dentree
x1 + x2 , le signal de sortie est donne par y1 + y2 , voir figure 3.4.
Homogeneite Si pour un systeme, y est le signal de sortie correspondant au signal dentree x
alors pour tout reel , pour le signal dentree x, le signal de sortie est donne par y, voir
figure 3.5.

x y x y
- Systeme - - Systeme -

F IG . 3.5 Homogeneite

Un systeme invariant est un systeme dont les parametres sont invariants dans le temps. cela se
traduit par :
Invariance Si pour un systeme, y est le signal de sortie correspondant au signal dentree x alors
pour le signal dentree x( t0 ), le signal de sortie est donne par y( t0 ), voir figure 3.6.

x y x( to ) y( t0 )
- Systeme - - Systeme -

F IG . 3.6 Invariance

Attention Le terme de systeme est souvent applique aux relations mathematiques qui decrivent
le comportement du systeme cest-a-dire qui relient les signaux de sortie aux signaux dentree :
en realite, il sagit du modele (mathematique) du systeme. 4

x y
- h -

F IG . 3.7 Systeme de convolution : y = h x


4
Le developpement important de linformatique a permis le developpement de puissantes methodes dingenierie,
cest-a-dire de conception des systemes. Le systeme a concevoir est dabord dimensionne, realise et etudie sous
la forme dun modele mathematique a laide dun logiciel. Cette etape a permis de fortement reduire le temps de
conception des systemes tout en traitant des systemes de complexite croissante.
64 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Les systemes de convolution sont des systemes lineaires invariants 5 dont le comportement est
defini par une fonction h : si x est lentree et y la sortie alors
Z + Z +
t R, y(t) = h(t )x( )d = h( )x(t )d = h x(t) (3.1)

ou definit le produit de convolution de h par x, voir figure 3.7. Cette operation a les proprietes
suivantes :
Commutativite h x = x h
Additivite (h1 + h2 ) x = (h1 x) + (h2 x)
Homogeneite h x = h x = (h x)

Exemple illustratif du produit de convolution On considere le signal x defini par la courbe


representee figure 3.8 a gauche. Le systeme est caracterise par la fonction h definie par la courbe
representee figure 3.8 en haut. On cherche a determiner la valeur y(t) pour t = 1.5 avec y(t) =
h x(t).

h(u)
2

1.5

1
h(u)

0.5

0.5
0.5 0 0.5 1 1.5 2
u


1.5 2

h()
1 h(t)
1.5
h() et h(t) avec t=1.5

0.5
1
sin(4 )

0.5
0.5

0
1

1.5 0.5
2 1.5 1 0.5 0 0.5 1 t=1.5 2 2 1.5 1 0.5 0 0.5 1 1.5 2

x( ) h(t ) = h(t )x( )

Z +
h(t )x( )d = (Aire rouge fonce) - (Aire gris clair)

F IG . 3.8 Illustration du produit de convolution


5
Le terme systeme lineaire stationnaire est equivalent : pour la definition des systemes lineaires stationnaires, voir
le cours dAutomatique.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 65

Pour cela, a partir de la courbe caracteristique de h, on obtient la courbe caracteristique de


h(t ). La courbe caracteristique de h(t )x() est alors obtenue a partir des courbes ca-
racteristiques de h(t ) et de x, voir figure 3.8, a droite. La valeur de y(1.5) est alors lintegrale
de cette fonction, ce qui revient a soustraire laire coloriee en gris clair a laire coloriee en rouge
fonce, figure 3.8 en bas a droite. La courbe caracteristique de h(t ) indique que la valeur de
y(1.5) va de moins en moins dependre de la valeur de x( ) au fur et a mesure que devient de
plus en plus inferieur a 1.5. Puisque h(t ) est nulle pour < 0.5, la sortie y(t) ne depend pas
des valeurs de lentree anterieures de plus de 1. On parle alors de systeme a memoire finie.

Cet exemple permet de comprendre pourquoi le produit de convolution est parfois appele RTMI.
Cet acronyme est base sur les differentes operations elementaires effectuees pour obtenir le produit
de convolution :
Retournement h(u) h( )
Translation h( ) h(t )
Multiplication h(t ).x( )
Z +
Integration h(t )x( )d

3.3.1.2 Exemples de systemes de convolution


Le comportement dun grand nombre de systemes physiques, sous certaines conditions duti-
lisation, peut etre modelise par un systeme de convolution. A titre dexemple, on presente un
systeme electronique et un systeme mecanique.

Exemple dun circuit electronique Le circuit dit semi-integrateur represente figure 3.9 est un
systeme de convolution admettant x comme entree, y comme sortie et tel que :
t
t R, y(t) = h x(t) avec h(t) = e RC (t)

0.2

0.2

C
h(t)

R 0.4

0.6

R
0.8
x y
1
0 RC 3RC
t

F IG . 3.9 Exemple de systeme de convolution


66 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

zsol zroue

F IG . 3.10 Modelisation simplifiee dune roue equipee dun pneumatique

Exemple dun systeme mecanique Une modelisation simplifiee dune roue dotee de pneuma-
tique se deplacant sur un sol inegal est donnee par :

mr zroue (t) = c(zsol (t) zroue (t)) + k(zsol (t) zroue (t))

voir figure 3.10. Le systeme qui admet zroue pour sortie et zsol pour entree est un systeme de
convolution defini par la reponse impulsionnelle :

h(t) = 2et (a cos(t) + b sin(t))


r  2 k 2
c
c 2
c k c c 2mr
avec = 2mr
, = 2mr
2mr
,a= mr
et b =
.

Exercice Par application de la transformee de Laplace, retrouver lexpression de la reponse


impulsionnelle h.

3.3.1.3 Proprietes de base a etudier


La stabilite et la causalite sont deux proprietes quil est important detudier pour un systeme
de convolution.

Stabilite Un systeme est dit stable si pour tout signal dentree borne 6 le signal de sortie est
borne. Dans le cas dun systeme de convolution, le systeme de convolution est stable (pour tout
signal x borne, y tel que (3.1) est borne) si et seulement si h L1 (R)7 .
6
Il est possible de definir de plusieurs facons un signal borne. La plus courante est : M tel que t, |x(t)| M .
Cest la definition qui est adoptee dans ce document.
7
Dans un premier temps, montrons que si h L1 (R) alors le systeme de convolution est stable.
Soit un signal dentree x borne. Par suite, x borne M tel que t, |x(t)| M .
Z + Z + Z +


|y(t)| =
h(t )x( )d |h(t )| |x( )|d M |h(u)| du.

Par suite, comme h L1 (R), le signal y est borne. A partir de la definition de la stabilite, on conclut que le systeme
de convolution est stable.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 67

Causalite Le systeme est dit causal si la valeur de la sortie y a linstant t ne depend que des
valeurs de lentree x aux instants anterieurs a t, t inclus. Dans le cas dun systeme de convolution,
lexpression (3.1) se simplifie alors en :
Z t
t R, y(t) = h(t )x( )d.

Par suite, la fonction h est forcement telle que :

u < 0, h(u) = 0 soit u R, h(u) = h(u).(u)

Tout systeme physique possede la propriete de causalite. Ce qui ne veut pas dire quun systeme
non causal est denue dinteret pratique comme lillustre la discussion section 3.4.2, page 76.

3.3.2 Produit de convolution et distribution


Pour les objectifs du cours de traitement du signal, on ne considere que le produit de convolu-
tion entre une fonction h et limpulsion de Dirac qui peut etre defini par :

h a (t) = h(t a).

Faire le produit de convolution de h par a revient donc a retarder de a la fonction h. Par suite :

h = h. (3.2)

Cette relation justifie lappellation de reponse impulsionnelle pour la fonction h. Elle offre une
methode experimentale pour determiner une approximation de la reponse impulsionnelle dun
systeme de convolution.

Exemple : la reponse impulsionnelle dune salle deglise Lorsquun son est emis dans une
eglise, lacoustique particuliere de ce type de salle fait que le son percu est toujours notablement
different du son emis. On peut definir un systeme salle deglise qui admet pour entree le son
emis en son sein et pour sortie le son tel quil est percu a linterieur de cette salle. Sous lhy-
pothese que ce systeme est un systeme de convolution, on peut completement le caracteriser par
la determination de sa reponse impulsionnelle. netant pas une distribution reguliere, on ne peut
evidement pas creer le son correspondant. Par contre, comme cela a ete suggere dans lexemple
page 33, puisque les fonctions fT0 definies dans cet exemple convergent vers une impulsion de
Dirac quand T0 tend vers 0, on peut approcher une impulsion par une telle fonction avec T0 petit.
Cela revient a envoyer un son tres bref et tres intense. On mesure alors a laide dun micro le
son dans la salle ce qui donne la reponse impulsionnelle representee figure 3.11. Le produit de
convolution de cette reponse impulsionnelle avec un son emis produit le son que lon percoit dans
leglise.
En faisant le produit de convolution de cette reponse impulsionnelle avec un son, on obtient le
son tel quil est effectivement percu dans la salle deglise, voir figure 3.12.
Montrons maintenant que si le systeme de convolution est stable alors h L1 (R).
Soit le signal dentree x = sign(h()). Comme ce signal est borne par 1 et que le systeme de convolution est
stable alors le signal de sortie y est borne, en particulier pour t = 0. Par suite,
Z +
y(0) = |h(u)| du < .

Donc h L1 (R).
68 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Cliquer pour ecouter


2500

2000

1500

1000

h(t)
500

500

1000

1500
0 0.2 0.4 0.6 0.8 1
t

F IG . 3.11 Reponse impulsionnelle dune salle deglise

Son emis Son percu


- Salle -
x Eglise hx
h

F IG . 3.12 Son percu dans la salle deglise

F IG . 3.13 Logiciels gratuits de convolution sonore (dits de reverberation)


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 69

A sin(20 t) A sin(20 t + )
- h -

F IG . 3.14 Systeme de convolution en regime sinusodal

Des logiciels specialises permettent de realiser la convolution de la reponse impulsionnelle


caracteristique dune salle avec un son, voir figure 3.13.
Enfin, on peut definir le produit de convolution de deux impulsions de Dirac :
a b = a+b . (3.3)

3.3.3 Sortie dun systeme de convolution pour une entree sinusodale : reponse
harmonique
Dans la mesure ou dans le chapitre precedent, nous avons vu que, sous certaines hypotheses,
un signal peut se decomposer comme la somme dune infinite de sinus, voir par exemple page 28,
il est naturel de chercher a caracteriser le comportement dun systeme de convolution (stable) en
etudiant sa reponse aux signaux dentree sinusodaux, ce qui est appele reponse harmonique.
Pour cela, nous allons etablir lexpression du signal de sortie y dun systeme de convolution de
reponse impulsionnelle pour un signal dentree x sinusodale :
A 2i0 t 
t R, x(t) = A sin(20 t) = e e2i0 t .
2i
Or,
Z + Z +
2i0 2i0 (t ) 2i0 t
he (t) = h( )e d = e h( )e2i0 d = e2i0 t H(0 ).

De meme he2i0 (t) = e2i0 t H(0 ). H est la transformee de Fourier dune fonction reelle :
dapres la section 2.4.3.7, page 31, on a :
|H(0 )| = |H(0 )| et arg (H(0 )) = arg (H(0 )) .
Par suite,
t R, y(t) = A|H(0 )| sin (20 t + arg (H(0 ))) . (3.4)
H, la transformee de Fourier de la reponse impulsionnelle h, est appelee la reponse frequentielle
du systeme de convolution. La reponse frequentielle dun systeme de convolution definit donc sa
reponse pour toute entree sinusodale.
Cette propriete montre que la valeur de la reponse frequentielle pour une frequence donnee
peut etre obtenue experimentalement en appliquant a lentree du systeme un signal sinusodal de
frequence et en mesurant lamplitude du signal sinusodal de sortie ainsi que son dephasage par
rapport au signal dentree. Le rapport de lamplitude de la sinusode de sortie sur lamplitude de
la sinusode dentree donne une valeur experimentale de |H()| et la difference entre les deux
dephasages, une valeur experimentale de arg(H()) :
A
|H(0 )| = A
et arg (H(0 )) =
voir la figure 3.14.
70 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

3.3.4 Produit de convolution et transformees de Fourier et de Laplace


Avec x et y, signaux dentree et de sortie dun systeme de convolution defini par la reponse
impulsionnelle h :
t R, y(t) = h x(t),
que peut-on dire du spectre Y de y par rapport au spectre X de x ?

Le signal x est relie a son spectre X par :


Z +
t R, x(t) = X()e2it d

Or, dapres la section precedente, pour une valeur de donnee :

t R, h e2i (t) = H()e2it

Par suite,
t R, X()h e2i (t) = H()X()e2it
On en deduit que :
Z + Z +
2i
t R, h X()e (t)d = H()X()e2it d

Dou Z Z
+ +
2i
t R, h X()e d (t) = H()X()e2it d
| {z } | {z }
x y(t)

Puisque
Z +
t R, y(t) = Y ()e2it d

on en deduit
R, Y () = H()X()

On a la propriete fondamentale : la transformee de Fourier du produit de convolution de deux


signaux est egale au produit de transformees de Fourier de chaque signal, cest-a-dire :

F[f g] = F[f ].F[g]. (3.5)

Il est amusant de constater quil existe une relation symetrique a la relation (3.5) :

F[f.g] = F[f ] F[g]. (3.6)

Si on applique (3.5) a un systeme de convolution de reponse impulsionnelle h, on obtient :

y(t) = h x(t) Y () = H()X(). (3.7)

Le spectre du signal de sortie est obtenu par la multiplication du spectre du signal dentree par la
reponse frequentielle du systeme de convolution.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 71

Exemple du circuit electronique Revenons a lexemple page 65.


1
H() =
1 + RC2i

Des relations similaires a (3.5) et (3.6) peuvent etre obtenues dans le cas de la transformee de
Laplace :
L[f g] = L[f ].L[g] (3.8)
et
L[f.g] = L[f ] L[g]. (3.9)

La propriete remarquable presentee en (3.7) a plusieurs applications importantes.

Problme initial Problme


dans le domaine dans le domaine
temporel frquentiel
Transformation

Rsolution Rsolution
difficile simple

Solution Solution
temporelle frquentielle

Transformation
inverse

F IG . 3.15 Transformez votre vie !

Une application interessante est le calcul de la sortie dun systeme de convolution connaissant
le signal dentree x et la reponse impulsionnelle du systeme. Pour une entree donnee x, dans le
domaine temporel, le calcul de la sortie dun systeme de convolution par la formule (3.1) peut etre
extremement difficile puisque la valeur de y(t) pour chaque t est obtenue par un calcul integral.
Par contre, dans le domaine frequentiel (resp. Laplace), la transformee de Fourier (resp. Laplace)
du signal de sortie est obtenue par la simple multiplication de la transformee de Fourier (resp.
Laplace) de la reponse impulsionnelle du systeme de convolution par la transformee de Fourier
(resp. Laplace) du signal dentree, ce qui est largement plus simple. Cest le grand benefice de
lutilisation de transformations, voir la figure 3.15.

Remarque Il sagit ici du calcul de la sortie du systeme de convolution pour une entree donnee.
En general, un systeme de convolution represente un systeme physique. Bien evidemment, un
systeme physique manipule les signaux dans le domaine temporel et non dans le domaine frequen-
tiel, remarque de bon sens quil convient neanmoins de garder a lesprit.
72 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

3.3.5 Systeme de convolution et fonction de transfert


Beaucoup de systemes physiques sont modelises par des systemes causaux definis par une
equation differentielle lineaire a coefficients constants. Ces systemes sont-ils des systemes de
convolution ? Pour repondre a cette question, la transformation de Laplace est appliquee.

Soit lequation differentielle lineaire a coefficient constant dordre n :

dn y(t) d(n1) y(t) dy(t) dm x(t) d(m1) x(t) dx(t)


n
+a n1 (n1)
+ +a 1 +a 0 y(t) = b m m
+b m1 (m1)
+ +b1 +b0 x(t)
dt dt dt dt dt dt
(3.10)
ou an1 , , a0 et bn , , b0 sont des coefficients reels, ou m et n sont deux entiers tels que
m n. Les conditions initiales sont nulles.
En prenant la transformee de Laplace de cette equation differentielle et en utilisant les pro-
prietes de la transformee de Laplace presentees dans le tableau 2.7, page 55 :
Linearite
L[af + bg] = aL[f ] + bL[g]

Derivee

L[f (n) ](s) = sn L[f ](s) sn1 f (0) + sn2 f (1) (0) + + sf (n2) (0) + f (n1) (0)

on obtient :
 
sn + an1 sn1 + + a1 s + a0 Y (s) = bm sm + bm1 sm1 + + b1 s + b0 X(s).

La fonction rationnelle notee F (s) et appelee fonction de transfert est definie par :

bm sm + bm1 sm1 + + b1 s + b0
F (s) =
sn + an1 sn1 + + a1 s + a0

Lentier n est appele lordre de F (s). De plus,

Y (s) = F (s)X(s) (3.11)

Soit h la fonction telle que F = L[h]. Alors dapres la relation (3.8), lequation (3.11) est
equivalente a :
y = h x.

Le systeme defini par (3.10) est donc un systeme de convolution.

Il est usuel detudier les proprietes de systemes definis par des equations differentielles (3.10) a
partir de la fonction de transfert F (s). Le systeme est stable si les racines du polynome denominateur
de F (s) : sn + an1 sn1 + + a1 s + a0 sont a partie reelle strictement negative. Dans ce cas-la,
on a, avec H() la reponse frequentielle du systeme de convolution :

H() = F (2i).
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 73

3.3.6 Simulation dun systeme de convolution


Une grande majorite des systemes de convolution qui sont simules sont des systemes de convo-
lution qui peuvent etre defini par des equations differentielles ou des fonctions des de transfert,
voir section 3.3.5. Un exemple est celui du pneu vu page 66 : le systeme est decrit par lequation
differentielle :
mr zroue (t) = c(zsol (t) zroue (t)) + k(zsol (t) zroue (t))
ou zsol est lentree et zroue est la sortie. A cette equation differentielle, on peut associer la fonction
de transfert :
cs + k
F (s) = .
mr s2 + cs + k
La simulation de systemes definis par des equations differentielles ou des fonctions de trans-
fert seffectue simplement sous Matlab avec la bote a outils Simulink. Quelques notions
sur Simulink sont presentees en fin de chapitre, section 3.7.1, 96. Pour une presentation complete
de la simulation sous Matlab, le lecteur peut se referer avec profit au livre [8].

3.4 Filtrage frequentiel


3.4.1 Filtres analogiques
La consequence remarquable de la propriete (3.7) est quil est possible de realiser loperation
de filtrage frequentiel telle que definie section 3.2, page 61 par un systeme de convolution ap-
pele filtre analogique.

Rappelons que le filtrage frequentiel est loperation qui consiste en :


i i
Etant donne N intervalles de frequences [min ; max ], tel que pour tout i {1, , N },
i i i i+1
min < max et pour tout i {1, , (N 1)}, max < min ;
Pour tout signal x,
Produire un signal y tel que :
[ 
i i

min ; max , Y () = X() ;

i
[ 

\ i i
R ;
min max , Y () = 0.
i

Si y est la sortie dun systeme de convolution pour lentree x alors puisquavec H la reponse
frequentielle du systeme de convolution, on a :

Y () = H()X()

loperation de filtrage est realisee par le systeme de convolution dont la reponse frequentielle H
est telle que : [
i i


min ; max , H() = 1 ;

i
[ 

i i
R \ min ; max , H() = 0.
i
i i
Les intervalles de frequences [min ; max ] sont appelees bandes passantes et les intervalles complementaires
bandes de rejection.
74 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Dans la tres grande majorite des cas, on considere un systeme de convolution defini par une
fonction de transfert (rationnelle a coefficients constants). Cela vient du fait que, comme explique
section 3.3.5, page 72, dans ce cas-la, le systeme de convolution est caracterise par une equation
differentielle. Le systeme de convolution peut donc etre realise physiquement en construisant un
systeme physique dont le comportement dynamique est modelise par cette equation differentielle.

Filtre passebas Filtre passehaut

H() H()

1 1

0 0
c c
c c


c 0 c
c 0 c

Filtre passebande Filtre coupebande

H() H()

1 1

0 0

1
1 2
1
1 2
2 2


1 0 2
1 0 2
2 1 2 1

F IG . 3.16 Reponse frequentielle de filtres ideaux

Il est classique de definir differents filtres ideaux voir figure 3.16 :


Filtre passe-bas : la bande passante est de la forme [0, c [ et la bande de rejection est de la
forme ]c , +[ ;
Filtre passe-haut : la bande de rejection est de la forme [0, c [ et la bande passante est de la
forme ]c , +[ ; S
Filtre passe-bande : la bande de rejection est de la forme [0, 1 [ ]2 , +[ et la bande
passante est de la forme ]1 , 2 [ ; S
Filtre coupe-bande : la bande passante est de la forme [0, 1 [ ]2 , +[ et la bande de
rejection est de la forme ]1 , 2 [.

Exemple des enceintes HIFI 3 voies Les enceintes haute fidelite de qualite sont generalement
equipees de 3 haut-parleurs, chaque haut-parleur etant en charge de reproduire le son dans une
gamme de frequences bien definie :
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 75

F IG . 3.17 Application du filtrage a la HIFI

Les tweeters reproduisent les hautes frequences, typiquement les frequences superieures a
2 kHz : le signal a reproduire est donc envoye en entree dun filtre passe-haut afin que la
sortie de ce filtre qui alimente les tweeters soit un signal constitue par les composantes
hautes frequences du son ;
Les mediums reproduisent les moyennes frequences, typiquement les frequences dans un
intervalle [500Hz, 5kHz] : le signal a reproduire est donc envoye en entree dun filtre passe-
bande afin que la sortie de ce filtre qui alimente les mediums soit un signal constitue par les
composantes moyennes frequences du son ;
Les woofers reproduisent les basses frequences, typiquement les frequences inferieures a
1 kHz : le signal a reproduire est donc envoye en entree dun filtre passe-bas afin que la
sortie de ce filtre qui alimente les woofers soit un signal constitue par les composantes
basses frequences du son.
Une enceinte HIFI est donc equipee de 3 filtres frequentiels qui sont realises a laide dun circuit
delectronique analogique, voir figure 3.17.

Exemple du pneu XXX

En resume, la conception dun filtre consiste a :


1. determiner le systeme de convolution dont la reponse frequentielle a les bonnes caracteristi-
ques en terme de bande(s) passante(s), de rejection, etc.. Le systeme de convolution peut
etre represente par sa reponse impulsionnelle ou de facon plus commode par sa fonction de
transfert ;
76 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Filtre Domaine de travail Systeme manipule

x(t) y(t)
- h -
Realisation
temporel
Fonctionnement

X() Y ()
- H() -
Conception
frequentiel
Analyse

TAB . 3.1 Filtrage, temps et frequence

2. le realiser par un systeme technologique : cela peut etre un systeme delectronique ana-
logique, un systeme mecanique, mecatronique, etc... Le circuit electronique represente fi-
gure 3.17 est un exemple de realisation.
Cest la premiere etape qui nous interesse dans ce cours. Neanmoins, la determination du filtre
doit prendre en compte le fait quil doit etre possible de le realiser par un systeme technologique !
Pour ce qui est des technologies electroniques, ce second aspect est aborde dans le cours GE b 1.3
Systemes electroniques.

Remarque Si le filtre est defini puis concu en raisonnant sur la reponse frequentielle du filtre et
le spectre des signaux, comme cela a ete remarque page 71, la mise en uvre du filtre a travers sa
realisation technologique traite les signaux dans le domaine temporel, voir tableau 3.1.

3.4.2 Lideal peut-il etre atteint ?


La question est maintenant de savoir sil est possible de realiser, en temps reel, par exemple
par un circuit electronique, un filtre ideal.

La causalite est une propriete incontournable pour effectuer le filtrage en temps reel : la sortie
y(t) est effectivement calculee a linstant t et donc on ne dispose pas de la valeur de lentree
x(t ) pour t > t. Par exemple, il sagit du cas de figure ou lon effectue une prise de son avec
un microphone et ou le filtre sert a traiter le signal au fur et a mesure. Neanmoins, certaines
applications correspondent au filtrage en temps differe. Le filtrage en temps differe consiste a
faire lacquisition de x(t) t puis ensuite a determiner y connaissant ainsi lintegralite du signal
dentree. Dans ce cas-la, la causalite nest plus necessaire puisque pour calculer la valeur de y a
linstant t, on dispose de la totalite du signal dentree x. Un exemple est le traitement dun concert
qui a precedemment ete enregistre et stocke sur un CD. Dans la suite de ce document, on ne
considerera que le filtrage en temps reel.

Prenons le cas du filtre passe-bas (voir figure 3.16, en haut a gauche). Il est defini par la reponse
frequentielle :  

R, Hpb () = rect .
2c
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 77

Dapres (2.22),
t R, h(t) = F 1 [Hpb ] (t) = 2c sinc(2c t).
Or une condition necessaire pour que h soit la reponse impulsionnelle dun systeme physique est
que le systeme de convolution correspondant soit causal (u < 0, h(u) = 0), ce qui nest pas
le cas. Par suite, le filtre ideal passe-bas nest pas realisable. En realite, il en est de meme pour
lensemble des filtres ideaux presentes figure 3.17.

Pourquoi un filtre ideal ne peut pas etre causal ? Les filtres ideaux que lon a vu precedem-
ment ont une reponse frequentielle reelle. En realite, la difficulte est quil existe une relation entre
la partie reelle de la reponse frequentielle dun filtre causal et sa partie imaginaire. En effet, le
systeme de convolution de reponse impulsionnelle h est causal si et seulement si :

h = h..

En prenant la transformee de Fourier de cette egalite et en utilisant la relation (3.6), on obtient


alors :
H() = H F[]().
1
Puisque F[]() = 2i
+ 21 () et dapres (3.2), on a

1 1
H=H + H
2i 2

Par suite8 ,
1
H=H
i
et donc
1 1
, Re (H()) = Im (H)
() et , Im (H()) = Re (H)
()

Fixer la partie reelle dun filtre causal revient donc a fixer sa partie imaginaire. Par suite, on ne peut
avoir une partie imaginaire identiquement nulle sans avoir la partie reelle identiquement nulle. On
ne peut donc avoir un filtre avec une reponse frequentielle reelle qui ne soit identiquement nul9 .

3.4.3 Filtres analogiques classiques


Remarque preliminaire Afin detre homogene, dans tout le document, les reponses frequentiel-
les sont exprimees en fonction de la frequence (unite Hertz). Il faut cependant faire attention
quen general, en traitement du signal, dans certains problemes comme la definition de filtres
analogiques, les reponses frequentielles peuvent aussi etre exprimees en fonction de la pulsation
= 2 (unite rad/s). En Anglais, le terme de frequency recouvre a la fois la frequence
et la pulsation. En consequence, une frequency est exprimee soit en Hz soit en rad/s. Dans
le logiciel Matlab, suivant la fonction utilisee, lunite de la frequency est le Hertz ou le
radians/s.

8 1
Cette relation secrit aussi H() = iH[H]() avec H[H]() = H () ou H[H] est appelee la transformee
dHilbert de H.
9
Lideal ne peut donc pas etre atteint mais comme a dit le philosophe il demeure un guide .
78 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Gabarit pour un filtre passebas

1 Bande de transition

0.8
Bande de rjection

|H()|
0.6

0.4

0.2
Bande passante

0
0 1

F IG . 3.18 Gabarit sur le module de la reponse frequentielle dun filtre passe-bas

Filtres reels Contrairement aux filtres ideaux dont des exemples de reponses frequentielles
sont presentes figure 3.16, les filtres causaux doivent posseder entre une bande passante et une
bande dattenuation une bande dite de transition. Ces bandes sont en general definies a travers un
gabarit frequentiel sur le module de la reponse frequentielle du filtre, voir par exemple pour un
filtre passe-bas figure 3.18.
Le probleme de conception de filtre consiste alors a traiter la question suivante : etant donne
un gabarit sur le module de la reponse frequentielle du filtre a concevoir, determiner le filtre
qui satisfait ce gabarit. Dans ce qui suit, on sinteresse aux filtres stables et causaux decrits par
des fonction de transfert F (s), rationnelles en la variable de Laplace s et a coefficients reels, ce
qui correspond a la reponse frequentielle F (2i). Il sagit du cas traite en Automatique : les
representations frequentielles correspondent aux diagrammes de Bode qui utilisent pulsations et
echelles logarithmiques.

Exemple Les gabarits frequentiels sont souvent utilises dans lindustrie, voir par exemple fi-
gure 3.19 un gabarit defini par France Telecom.

F IG . 3.19 Gabarits frequentiels France Telecom


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 79

Exemple Le circuit semi integrateur presente page 65 definit un filtre passe-bas, voir figure 3.20.

circuit semi integrateur Diagramme de Bode du circuit semi intgrateur


1 5

0.9 0

0.8 5

0.7 10

0.6 15

|H| en dB
|H()|

0.5 20

0.4 25

0.3 30

0.2 35

0.1 40

0 45
0 0.5 1 1.5 2 2.5 3 3.5 4 2 1 0 1 2
10 10 10 10 10

F IG . 3.20 Module de la reponse frequentielle du circuit semi integrateur, en fonction de la


frequence (gauche) et Module en dB en fonction de la pulsation = 2 (droite) (Bode)

Temps de groupe Le temps de groupe est une des caracteristiques importantes qui permettent
de juger de la qualite dun filtre reel pour un nombre important dapplications. Il sagit dune
des mesures decart a lideal pour un filtre reel. Contrairement aux filtres ideaux, un filtre reel
de reponse frequentielle H introduit un dephasage () = arg(H()) qui est fonction de la
frequence , voir par exemple figure 3.21 pour le circuit semi-integrateur. Dans le domaine tem-

180
180
170
170
160
160

150
150

140
arg(H())

arg(H)

140

130
130

120
120

110 110

100 100

90 90
2 1 0 1 2
0 0.5 1 1.5 2 2.5 3 3.5 4 10 10 10 10 10

F IG . 3.21 Phase de la reponse frequentielle du circuit semi integrateur, en fonction de la


frequence

porel, ce dephasage entrane un retard entre le signal dentree et le signal de sortie. En effet, en
80 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

ecrivant () = 2t0 (), pour un signal dentree x(t) = A sin(2t), dapres la relation (3.4),
la sortie y du filtre est donnee par :

y(t) = A|H()| sin (2(t t0 ())) .

Cela veut dire quun retard de t0 () secondes apparat entre le signal dentree et le signal de sortie
du filtre. Examinons a travers un exemple les consequences de ce retard dependant de la frequence
dans le cas dun signal dentree plus complexe quun signal sinusodal.

x(t)
1.5

0.5

0.5

1.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

F IG . 3.22 Signal x

Exemple On considere le signal dentree x represente figure 3.22 dont lexpression est donnee
par :
t R, x(t) = sin(2t) + 0.1 sin(12t + 2).
Ce signal se decompose donc en deux composantes qui sont deux sinus a la frequence de 1 Hertz
et de 6 Hertz. Ce signal est envoye a lentree de deux filtres :
1. Le premier filtre est tel que |H1 (6)| = |H1 (12)| = 1 et le retard t0 est constant : t0 () =
Cte ;
2. Le second filtre est tel que |H1 (6)| = |H1 (12)| = 1 et le retard t0 est tel que t0 (6) 6= t0 (12).
Les signaux de sortie obtenues sont representees figure 3.23. On voit que dans le cas du premier
filtre (gauche), le signal de sortie correspond au signal dentree retarde alors que le cas du second
filtre (droite), le signal de sortie est different du signal dentree. Cette alteration du signal est la
consequence directe du fait que t0 (6) 6= t0 (12).

Par suite, si le retard t0 nest pas constant en fonction de la frequence , la sortie du filtre, pour
des signaux autres que des signaux sinusodaux, presentera forcement une alteration par rapport a
lentree de filtre. Ce retard est la consequence du dephasage qui est une des differences importantes
entre les filtres reelles et les filtres ideaux. De facon a se rapprocher au mieux de lideal, il est
donc imperatif de limiter lalteration liee au dephasage. Puisque un filtre reel presente forcement
un dephasage qui, sauf cas tres particuliers10 dependant de la frequence, ce que lon peut faire de
mieux est davoir une phase () qui est ou est la plus proche possible dune fonction lineaire de
10
Comme par exemple les gains constants.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 81

Filtre avec temps de groupe constant Filtre sans temps de gorupe constant
1.5 1.5
entre x
sortie y
1 1

0.5 0.5

0 0

0.5 0.5

1 1

1.5 1.5
0 0.5 1 1.5 2 0 0.5 1 1.5 2
t t

F IG . 3.23 Sortie du filtre a phase lineaire (gauche) et sortie du filtre a phase non lineaire (droite)

la frequence de facon a avoir un retard constant. Pour mesurer lecart a la linearite de la phase,
on introduit le temps de groupe qui est defini par :
1 d
() = ().
2 d
En resume, un critere de qualite pour un filtre est davoir un temps de groupe proche dune
constante. Un filtre avec un temps de groupe constant est dit a phase lineaire. Dans ce cas-la,
pour un signal quelconque, toutes ses composantes frequentielles seront transmises avec un retard
constant. Dans le cas dun filtre avec un temps de groupe non constant, des distorsions peuvent
apparatre entre le signal de sortie et le signal dentree dues au fait que le retard introduit par le
filtre sera different suivant les composantes frequentielles. Cest pour cela que dans des applica-
tions ou il est necessaire de transmettre et de traiter des sons (transmission de la parole, etc..) il
est interessant dutiliser des filtres a phase lineaires ou le plus proche possible dun filtre a phase
lineaire. Enfin, les filtres ideaux ayant une reponse frequentielle reelle, leur temps de groupe est
constant et nul.

Filtres prototypes Les filtres sont generalement concus a partir de filtres prototypes appeles
aussi filtres normalises qui correspondent au cas dun filtre passe-bas de frequence de coupure11
1
c = 2 Hz, ce qui correspond a une pulsation de coupure c = 1 rad/s.
1
La determination de filtres passe-bas de frequence de coupure c 6= 2 , passe-haut, passe-
bande ou encore coupe-bande peut se ramener a la determination dun filtre passe-bas de frequence
de coupure c a laide du tableau 3.2.

Les filtres les plus classiques sont brievement presentes dans les sous sections suivantes12 .
Ils sont definis de la facon suivante. Puisquun filtre est concu pour que son module respecte
un gabarit frequentiel donne, la relation du module de la reponse frequentielle en fonction de la
frequence est dabord etablie. Les quatre types de filtres qui sont presentes dans la suite (filtre de
Butterworth, filtre de Chebyshev de type I et II et filtre de Cauer) correspondent a des relations
11
On appelle frequence de coupure (a -3 dB) la frequence pour laquelle le module de la reponse frequentielle du
filtre en decibels (dB) vaut le module de la reponse frequentielle du filtre dans la bande passante en decibels moins
3 decibels. Il faut faire attention quen Automatique le terme de frequence de coupure peut etre utilise avec une
definition differente.
12
Pour des complements dinformation, voir la reference [9]
82 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

1
De passe-bas frequence de coupure 2
vers... s est remplace par...
1 s
passe-bas c 6= 2 2c

2c
passe-haut c s

s2 +4 2 1 2
passe-bande 2(2 1 )s

2(2 1 )s
coupe-bande s2 +4 2 1 2

TAB . 3.2 Passage dun filtre prototype a differents types de filtres

differentes. A partir de cette relation, lexpression de la fonction de transfert du filtre est ensuite
etablie.

3.4.3.1 Filtres de Butterworth

Filtres de Butterworth

n=2
1 n=1
n=3
n=6

0.7
|F(2 i )|

0
0
1/(2)

F IG . 3.24 Filtres de Butterworth

Les filtres de Butterworth sont definis par la relation suivante :


1
|F (2i)|2 = . (3.12)
1 + ((2)2 )n
Cette relation a ete etablie de facon a assurer que :
La courbe |F (2i)| soit la plus plate possible et proche de 1 au voisinage de = 0 cest-
a-dire que
|F (2i)| 1.
1
La frequence c = 2
Hz definit une frequence de coupure a 3dB, cest-a-dire que :

1
|F (i)| = = 3dB.
2
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 83

|F (2i)| = 0.

Les reponses frequentielles obtenues pour differentes valeurs de n sont representees figure 3.24.
Noter que le choix de n influe sur la largeur de la bande de transition.

A partir de (3.12), lexpression de la fonction de transfert F (s) dordre n est obtenue comme
la fonction de transfert de gain statique egal a 1 et dont les poles sont les n racines a partie
n
reelle negative de lequation polynomiale 1 + (s2 ) = 0. Les racines de ce polynome sont
uniformement reparties sur le cercle de centre 0 et de rayon 1. A titre dexemple, pour n = 2, on
obtient :
1
F (s) =
2
s + 2s + 1
voir figure 3.25.

1.2

0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

1.2
1.2 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1.2

F IG . 3.25 Localisation des poles pour un filtre de Butterworth dordre 2

Un filtre de Butterworth peut etre realise par un systeme electronique, voir figure 3.26.

3.4.3.2 Filtres de Chebyshev


Ils sont de deux types, le type I et le type II. Les filtres de Chebyshev de type I sont definis par :
1
|F (2i)|2 = (3.13)
1+ 2 Cn (2)2

ou13 (
2 [1, 1], Cn (2) = cos(n cos1 (2))
2 R \ [1, 1], Cn (2) = cosh(n cosh1 (2)).

le trace de |F (2i)| en fonction de presente des oscillations dans la bande passante ;

leur amplitude depend de la valeur de , voir figure 3.27 ;

13
Contrairement aux apparences, Cn (2) est un polynome a coefficients reels en 2. Lexpression de ce po-
lynome peut etre obtenu a partir de la relation de recurrence : Cn+1 (2) = 4Cn (2) Cn1 (2) initialisee
par C0 (2) = 1 et C1 (2) = 2. Ces polynomes ont la propriete remarquable davoir n zeros dans lintervalle
[1; 1]. Ils presentent ainsi des oscillations pour 2 [1, 1] et sont monotones en dehors de cet intervalle.
84 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

F IG . 3.26 Publicite pour une realisation technologique du filtre de Butterworth

Filtres de Chebyshev type I

N=2
1 N=8
2 0.5
1/(1+ ) N=4

0.8
|F(2 i)|

0.6

0.4

0.2

0
0
1/(2)

F IG . 3.27 Filtres de Chebyshev de type I


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 85

pour n pair (comme sur la figure 3.27), |F (0)| = 1 1 ; pour n impair, |F (0)| = 1.
1+2

Ici encore, n est lordre du filtre. Son choix influe sur la largeur de la bande de transition. F est
obtenue comme la fonction de transfert de gain statique egal a 1 et dont les poles sont repartis
dans le plan complexe sur une ellipse de centre 0 et dequation :
 2  2
k k
+ =1
sinh(u0 ) cosh(u0 )
1
avec k et k les parties reelle et imaginaire des poles et u0 = sinh n (1/) . Cette repartition des
poles sur une ellipse presente des similitudes avec celle des poles des filtres de Butterworth sur un
cercle.

Filtre de Chebyshev II n=8


1.4

1.2

0.8
|F(2 i)|

0.6

0.4
2 0.5
/(1+ )

0.2

0
0
1/(2)

F IG . 3.28 Filtres de Chebyshev de type II

Les filtres de Chebyshev de type II sont similaires aux filtres de type I sauf que les oscillations
ne sont pas dans la bande passante mais dans la bande de rejection. Leur expression est basee sur :
1 2
2 Cn ( 2 )
|F (2i)|2 = 2 1 2. (3.14)
1 + Cn ( 2 )

Un exemple est presente figure 3.28.

3.4.3.3 Filtres elliptiques ou filtres de Cauer


Par rapport aux filtres precedents, les filtres elliptiques permettent de satisfaire un gabarit avec
un ordre plus faible14 . Les filtres elliptiques sont definis par :
1
|F (2i)|2 = (3.15)
1+ 2 G(2)2
14
Le prix a payer est une complexite plus grande dans leur conception. Le lecteur interesse pourra lire avec profit
le chapitre 7 de la reference [9].
86 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Filtre elliptique
1
1
1
0.9

0.8

0.7

0.6
|F(2 i )|
0.5

0.4

0.3

0.2

0
0 0.5 1 1/k1.5 2 2.5 3

F IG . 3.29 Filtre elliptique

ou G(2) = sn(nsn1 (2, k), k1 ) avec sn la fonction sinus elliptique15 .

1 1
La bande de transition est fixee via k par 2
[1, k
]; n depend de k ;

Lamplitude 1 des oscillations dans la bande passante depend de via la relation :


s
21 12
= ;
1 21 + 12

Lamplitude 2 des oscillations dans la bande de rejection 2 depend de et de k1 par la


relation :
1
2 = q 2
1 + k 2
1

voir figure 3.29. Ce filtre admet des oscillations a la fois dans la bande passante et dans la bande
de rejection.
15
Le sinus elliptique est defini a partir de la fonction :
Z
dy
u(, k) = q
0 1 k 2 sin2 (y)

ou plutot a partir de la fonction inverse associee (u, k) :

sn(u, k) = sin((u, k)).


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 87

3.4.3.4 Un exemple en guise de comparaison


Le calcul des differents filtres peut se faire sous Matlab dote de la Signal processing
toolbox avec les fonctions butter, cheby1, cheby2, ellip. Pour n = 5, on ob-
tient le resultat figure 3.30. Le script Matlab qui a permis dobtenir cette figure est presentee
section 3.7.2, page 98.

butterworth
1 Chebishev I
Chebishev II
Elliptique

0.8

0.6

0.4

0.2

0
0
1/(2)

F IG . 3.30 Comparaison des differents filtres pour n = 5

3.4.3.5 Exemple de mise en uvre


3.4.3.6 Filtrage frequentiel pour lextraction dun signal utile
Une application importante du filtrage frequentiel est lextraction dun signal utile 16 xu
noye dans un signal plus complexe x, a partir de celui-ci : x peut secrire comme :

x = xu + xr

ou xr est le reste du signal. Cela nest possible par cette technique de filtrage que si
1. On a des informations sur le spectre de xu et sur le spectre de xr ;
2. Les spectres de xu et de xr sont separes, cest-a-dire que les intervalles de frequences ou
leur amplitude est de valeur significative sont disjoints.
Dans ce cas-la, il est possible de trouver un filtre F tel quavec pour entree x, la sortie y est telle
que y xu .

3.5 Fenetrage temporel


De facon symetrique au filtrage frequentiel, realiser un filtrage temporel , que lon designera
par le terme de fenetrage, consiste a transmettre un signal dans certains intervalles de temps et a
lattenuer voire le supprimer dans dautres intervalles de temps.
16
Cest-a-dire contenant une information nous interessant.
88 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

1 1

X X
u u
Xr Xr

0.8 0.8
|X ()|

|X ()|
0.6 0.6
*

*
0.4 0.4

0.2 0.2

0 0
0 0

F IG . 3.31 Exemples de signaux avec spectre separe (gauche) et non separes (droite)

x(t) y(t)
- f (t) -

F IG . 3.32 Fenetrage temporel

Une fenetre est un systeme tel que suivant lintervalle de temps, on a, avec x le signal dentree
et y le signal de sortie, soit :
Attenuation : y(t) 0 ;
Transmission : y(t) x(t).
La fenetre peut etre defini par une fonction f telle que :

t R, y(t) = f (t)x(t).

Exemple Un exemple de fenetre peut etre realise par la fonction f definie par

t [0, Ta ] f (t) = 1
sinon f (t) = 0

Cette fenetre est appelee fenetre rectangulaire17 . Le signal de sortie y correspond a lacquisition
du signal x sur lintervalle de temps [0, Ta [, signal qui est aussi note xTa . On parle aussi de fenetre
de ponderation.

Que peut-on dire du spectre du signal xTa par rapport au spectre du signal x ? Cette question
prend tout son sens lorsquon sinteresse a la mise en uvre experimentale du traitement du signal,
notamment pour effectuer lanalyse frequentielle dun signal reel . En effet, un signal reel
ne peut etre mesure que sur un intervalle de temps fini, par exemple [0, Ta ]. Lobjectif de la mesure
est detudier le spectre du signal mesure x a partir du spectre du signal de mesure xTa . Pour obtenir
des elements de reponse, un exemple est examine. Dans un second temps, un calcul mathematique
simple permettra de repondre a cette question.
17
Car la courbe caracteristique de f rappelle une fenetre.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 89

Exemple Soit le signal x defini par :


t R, x(t) = cos (20 t) + A1 cos (21 t)
avec 0 = 10 Hz, 1 = 15 Hz et A1 = 0.1. Le spectre de ce signal est donne par :
1 A1
R, (0 + 0 ) +
X() = (1 + 1 )
2 2
puisque nous avons vu precedemment que :
1
F[cos (20 )]() = ( + 0 ) .
2 0
Il est represente figure 3.33, gauche.

X()
1 0.6

0.5

0.75

0.4

0.3
0.5

0.2

0.25
0.1

0
0

0.1

0.25
40 30 20 10 0 10 20 30 40
0.2
40 30 20 10 0 10 20 30 40

F IG . 3.33 Spectre de x (gauche) et de xTa /2 (droite)

 
Le signal x a ete mesure pendant lintervalle de temps T2a , T2a , avec Ta = 1, ce qui donne
le signal xTa /2 defini par :
 
t
t R, xTa /2 (t) = x(t) rect .
Ta
Le spectre de xTa /2 est represente figure 3.33, droite. On constate que si sur le spectre du signal de
depart, il etait facile de distinguer les (deux fois) deux raies caracteristiques des deux composantes
sinusodales du signal, sur le spectre du signal mesure, du fait des oscillations introduites par le
fenetrage rectangulaire, il est difficile de retrouver ces ensembles de raies et donc de conclure a la
presence de deux composantes sinusodales.

Le lien entre le spectre du signal xTa et le spectre du signal x est maintenant etabli. Dapres la
relation (3.6), on a :
y(t) = f (t).x(t) Y () = F X()
Le fenetrage modifie donc le spectre dun signal. Dans lexemple precedent, la fonction f peut
etre exprimee a laide de la fonction rect :
 
t Ta /2
t R, f (t) = rect .
Ta
90 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Le spectre de xTa sera alors relie a celui de x par :



XTa = Ta eiTa sinc (Ta ) X

La courbe caracteristique de la fonction |Ta sinc (Ta )| est representee figure18 3.34. Quand Ta
, elle tend vers limpulsion de Dirac et donc XTa X.

1.2Ta

Ta

0.8Ta
lobe central
T |sinc(T )|
a

0.6Ta
a

lobes latraux
0.4Ta

0.2Ta

0
1/Ta 0 1/Ta

F IG . 3.34 Spectre en amplitude dune fenetre rectangulaire

En conclusion, le spectre du signal mesure sera donc dans tous les cas different du spectre de
sa mesure. Il convient de prendre cela en compte si lobjectif de la mesure est detudier le spectre
du signal mesure a partir du spectre du signal de mesure.

La question est : comment a partir du signal mesure xTa obtenir un spectre plus proche du
spectre X de x que le spectre XTa de xTa ? La reponse a cette question est basee sur le fenetrage
de xTa . Dans la suite, xTa est note plus simplement y. Pour cela, on utilise un filtre temporel defini
par la fonction w tel quavec yf defini par :

t R, yf (t) = w(t)y(t)

le spectre Yf de yf soit plus proche du spectre X de x que le spectre Y de y lest. Une premiere
fenetre appelee fenetre de Hanning19 est definie par la fonction w notee whanning :
    
1 1 2(t Ta /2) t Ta /2
t R, whanning (t) = + cos . rect . (3.16)
2 2 Ta Ta
18
Si le lecteur desire se rappeler la forme du spectre en amplitude de la fenetre rectangulaire, mon jeune neveu
conseille le moyen mnemotechnique suivant : penser a un doigt dhonneur.
19
ou fenetre de Hann du nom du meteorologiste Australian Julis von Hann.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 91

Fentre de Hanning

0.8

0.6

w(t)
0.4

0.2

0.2
0 Ta
temps t

F IG . 3.35 Fonction whanning (t) definissant la fenetre de Hanning

La courbe caracteristique de cette fonction est representee figure 3.35. On a alors


yf (t) = whanning (t).y(t)
qui se reecrit :
      
1 1 2(t Ta /2) t Ta /2 t Ta /2
yf (t) = + cos . rect . rect .x(t)
2 2 Ta Ta Ta
soit    
1 1 2(t Ta /2) t Ta /2
yf (t) = + cos . rect .x(t)
2 2 Ta Ta
cest-a-dire yf (t) = whanning (t).x(t). Par suite,
Yf = Whanning X
Le signal de sortie yf de la fenetre de Hanning avec pour signal dentree y est aussi le signal
de sortie de la fenetre de Hanning avec pour entree x. On a donc remplace la fenetre rectan-
gulaire par la fenetre de Hanning. Lamplitude du spectre de la fenetre de Hanning Whanning est
representee figure 3.36.
Le tableau 3.3 donne une comparaison entre la fenetre rectangulaire et la fenetre de Hanning.
Pour ce qui est de lamplitude du spectre des deux fenetres, le lobe lateral le plus important nest
plus qua 3% de la valeur maximale, contre 22 % dans le cas dune fenetre rectangulaire ; cepen-
dant le lobe centrale est deux fois plus etendu.

Une amelioration de la fenetre de Hanning appelee fenetre de Hamming20 a ete proposee : elle
est definie par la fonction :
    
2(t Ta /2) t Ta /2
t R, whamming (t) = + (1 ) cos rect .
Ta Ta
avec = 0.54. Le lecteur attentif peut noter que pour = 0.5, la fenetre dHanning est ob-
tenue. Par rapport a cette derniere, le coefficient a ete optimise de facon a diminuer le plus
possible lamplitude maximale des lobes lateraux, voir le resultat figure 3.37. Les deux fenetres
sont comparees dans le tableau 3.4.
20
du nom du mathematicien americain Richard W. Hamming.
92 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

.5Ta

lobe central

lobes latraux

.03*.5Ta
0
2/Ta 0 2/Ta

F IG . 3.36 Spectre en amplitude de la fenetre de Hanning

Fenetre rectangulaire Fenetre de Hanning


      
w rect T a /2
Ta
1
2
+ 12 cos 2(TTa
a /2)
. rect Ta /2
Ta

Fentre rectangulaire Fentre de Hanning

1 1

0.8 0.8

0.6 0.6
w(t)

w(t)

0.4 0.4

0.2 0.2

0 0

0.2 0.2
0 Ta 0 Ta

w(t)
temps t temps t

1.2Ta

Ta
.5Ta

0.8Ta
lobe central
lobe central
Ta|sinc(Ta)|

0.6Ta

lobes latraux lobes latraux


0.4Ta

0.2Ta

.03*.5Ta
0 0
1/Ta 0 1/Ta 2/Ta 0 2/Ta

W ()

TAB . 3.3 Comparaison entre la fenetre rectangulaire et la fenetre de Hanning


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 93

0.5Ta

0
2 /Ta 0 2 /Ta

F IG . 3.37 Spectre en amplitude de la fenetre de Hamming

Fenetre de Hanning Fenetre de Hamming


         Ta 
2( T2a ) 2
w 1
2
+ 12 cos 2(TTa
a /2)
. rect Ta /2
Ta
+ (1 ) cos Ta
rect Ta

Fentre de Hanning
Fentre de Hamming

1
1

0.8
0.8

0.6
0.6
w(t)

w(t)

0.4
0.4

0.2
0.2

0 0

0.2 0.2
0 Ta 1 0.5 0 0.5 1 1.5 2

w(t)
temps t temps t

.5Ta

0.5Ta

lobe central

lobes latraux

.03*.5Ta
0 0
2/Ta 0 2/Ta 2 /Ta 0 2 /Ta

W ()

TAB . 3.4 Comparaison entre la fenetre de Hanning et la fenetre de Hamming


94 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Exemple (suite) Lexemple presente page 89 est maintenant repris. La fenetre de Hanning est
appliquee sur le signal xTa .Son expression
 definie par (3.16) pour lintervalle [0; Ta ] sadapte
Ta Ta
sans difficulte a lintervalle 2 , 2 , ce qui donne :
    
1 1 2t t
w
ehanning (t) = + cos rect .
2 2 Ta Ta

Le calcul du spectre de la sortie de la fenetre de Hanning pour lentree xTa /2 donne le spectre
represente figure 3.38. On distingue de nouveau les raies qui correspondent aux deux com-

0.6 0.3

0.5 0.25

0.4
0.2

0.3
0.15
0.2
0.1
0.1

0.05
0

0.1 0

0.2 0.05
40 30 20 10 0 10 20 30 40 40 30 20 10 0 10 20 30 40

F IG . 3.38 Spectre de xTa /2 (gauche) et de xTa /2 apres application dune fenetre de Hanning
(droite)

posantes sinusodales du signal. Cet exemple illustre le vif interet des fenetres temporelles pour
lanalyse frequentielle de signaux experimentaux.

F IG . 3.39 Signaux periodiques correspondant a un piano (gauche) et a une clarinette (droite)


(extrait de [11])

Un exemple de fenetrage temporel : la note de musique La note produite par un instru-


ment de musique est basee sur une variation de la pression acoustique qui est periodique. Des
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 95

exemples sont presentes figure 3.39. Comme dans lexemple presente figure 2.1, le fait que le
signal soit periodique et donc avec un spectre frequentiel bien defini est important pour obtenir
un son agreable a ecouter . Le probleme pratique est que la note dun instrument de musique a
forcement une duree limitee. Comme on la vu precedemment, simplement generer ce signal sur
un intervalle de temps de duree limitee revient a pratiquer une operation de fenetrage rectangu-
laire. Lintervalle etant court, la consequence est lobtention dun son dont le spectre frequentiel
peut etre eloigne du spectre frequentiel du signal periodique correspondant. Cela se produit par
un claquement . La solution est deviter ce phenomene en appliquant une fenetre temporelle.
Cest la solution adoptee dans les instruments de musique. Une allure typique de fenetre tempo-

Dclin
Attaque
Maintien

Chute

temps

F IG . 3.40 Fenetre temporelle dinstrument de musique

relle pour un instrument de musique est esquissee figure 3.40. Traditionnellement, on decompose
cette fenetre temporelle en 4 phases : la phase dattaque, le declin, le maintien et la chute. Il faut
noter que sur le figure 3.40, la phase dattaque et la chute sont douces ce qui nest pas sans rappeler
les fenetres dHanning/Hamming, voir tableau 3.4 21 .
On peut illustrer ce phenomene de claquement a travers lexemple suivant. On considere
le signal defini par :
( 
t [0.05; 0.1], x(t) = 0.2 sin (2.1000.t + 2
sinon x(t) = 0
Il sagit dun signal sinusodal auquel on a applique une fenetre rectangulaire. Ce signal est
represente figure 3.41 a gauche en haut. Si on examine son spectre en amplitude a gauche en
bas, on constate que par rapport au spectre du signal sinusodal, le spectre est plus etale. On ap-
plique sur ce signal x une fenetre de Hamming, ce qui donne le signal xhamming qui est represente
a droite de la figure 3.41 avec son spectre en amplitude. En cliquant sur la figure, ecouter les deux
sons correspondants.

3.6 En resume
Dans ce chapitre, loperation de filtrage frequentiel a ete presentee. Cette operation est realisee
par un filtre analogique qui est un systeme de convolution defini par une fonction de transfert. Il
21
Bien sur, la plupart des instruments de musique ont ete inventes avant que les techniques de fenetrage temporel
soient creees. Comme Monsieur Jordain le personnage de la piece de theatre le Bourgeois Gentilhomme de Moliere
faisait de la prose sans le savoir, les fabricants dinstruments de musique ont fait du fenetrage temporel sans le savoir.
Cependant, contrairement a Monsieur Jordain, cette interpretation peut presenter un grand interet : celui de permettre
le developpement de methodes permettant une meilleure matrise des systemes que lon concoit.
96 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

Cliquer pour ecouter Cliquer pour ecouter


0.2
0.2

0.1

xhamming(t)
0.1

0
x(t)

0.1
0.1

0.2
0.2
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16
temps en s temps en s

50 30

40

|Xhamming()|
20
30
|X()|

20
10
10

0 0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 0 500 1000 1500 2000 2500 3000 3500 4000 4500
Frquence en Hz
Frquence en Hz

F IG . 3.41 Signal sinusodal fenetre

est defini par des bandes passantes et des bandes dattenuation. Le filtrage analogique ne peut
etre realise de facon ideale que par des filtres non causaux qui ne peuvent etre utilises quen
temps differe. Dans le cas dun fonctionnement en temps reel, les filtres seront definis par des
gabarits sur le module de leur reponse frequentielle. Nous avons vu comment determiner un filtre
analogique satisfaisant ces gabarits. De plus, ils presentent forcement des bandes de transition et
un dephasage. Limpact de lalteration provoquee par le dephasage est mesure par le temps de
groupe.
Le fenetrage temporel permet de representer la degradation introduite lorsque lon veut ap-
proximer le spectre dun signal x defini sur R par la spectre dune mesure de ce signal sur un
intervalle de temps borne. Il offre aussi des methodes pour limiter cette degradation.
Une application importante du filtrage frequentiel est lextraction de la part utile dun signal
sous lhypothese de separation des spectres. Si elle nest pas satisfaite, il est neanmoins pos-
sible dans un certain nombre de cas de mettre au point un filtre F ayant une telle propriete par
des techniques differentes du filtrage frequentiel. Ces techniques ne seront pas abordees dans ce
cours22 . Cependant, le chapitre 7 consacre aux signaux aleatoires presentent les notions de base
necessaires pour les aborder. Le chapitre suivant presente les bases des techniques developpees
dans le chapitre 7.

3.7 Annexe du chapitre


3.7.1 Un environnement evolue de simulation signaux et systemes : Simulink
Simulink est un environnement de Matlab destine a la simulation dans le domaine tem-
porel, base sur un mode de representation graphique des systemes sous forme de schema-blocs.
Simulink comprend des bibliotheques appelees Library qui contiennent des blocs elementaires
permettant de construire rapidement et simplement des simulateurs de systemes lineaires, non
lineaires (dans la library Simulink) ou encore mecaniques et electroniques (dans la library Sim-
scape par exemple) ou encore Aeronautique (library Aerospace Blockset), etc... On peut ainsi
obtenir des simulateurs dynamiques de systemes complexes incluant des outils de visualisation
22
Elles seront vus dans differents enseignements de 2A comme par exemple lAF de S7 STI a 2 Estimation et
Transmission de lInformation ou lAF de S8 ELC D-2 Filtrage adaptatif : application au controle adaptatif de
bruit .
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 97

1
s+1
Step Transfer Fcn Scope

F IG . 3.42 Fenetre Simulink

graphique 3D, voir les demos disponibles sous Matlab. Linteret de cet environnement deborde
largement du cadre du Traitement du signal ou du cadre de lAutomatique : par exemple, au Tech-
nocentre de Renault a Guyancourt, chaque sous systeme dun vehicule developpe est accompagne
dun schema de simulation dynamique Simulink. Sur lutilisation de Matlab/Simulink, le
lecteur peut se referer avec profit au livre [8], disponible a la bibliotheque de lEcole Centrale. La
prise de decision quest amenee a prendre un ingenieur fait de plus en plus appel a la modelisation
(mathematique) du probleme suivi de lexploitation (au moins) en simulation du modele obtenu.

Un exemple elementaire de schema Simulink est presente figure 3.42.


Les blocs avec une sortie sont des generateurs de signaux. Sur lexemple, le bloc Step
genere des echelons. On peut les parametrer a partir dun menu ouvert en double-cliquant
sur le bloc.
Les fils vehiculent des signaux dans la direction indiquee par les fleches.
Les blocs avec une ou plusieurs entree(s) et une ou plusieurs sortie(s) transforment des si-
gnaux : ils representent des systemes. Sur lexemple, il sagit dun systeme de convolution
1
de fonction de transfert s+1 . En double cliquant sur ce bloc, on obtient un menu ou le pre-
mier (resp. second) champ correspond a la liste des coefficients du polynome au numerateur
(resp. denominateur) de la fonction de transfert ecrits suivant les puissances decroissantes.
Les blocs avec une ou plusieurs entree(s) absorbent des signaux pour par exemple les en-
voyer vers une fenetre graphique afin de les representer en fonction du temps (sur lexemple,
le bloc Scope).

Sous Matlab, Simulink peut etre ouvert en cliquant sur un bouton en haut de la fenetre
Matlab (horloge rose avec blocs bleu et vert) ou en tapant en ligne :

>> simulink

Cela ouvre la fenetre representee figure 3.43, gauche. En cliquant sur licone feuille blanche en
haut a droite, une nouvelle fenetre peut etre creee. A partir des Library (voir figure 3.43, droite,
partie de gauche), en selectionnant une library, on peut acceder a un ensemble de blocs (partie
de droite de la fenetre). La library Sources contient les blocs qui genere des signaux, la library
Sinks les blocs qui en absorbent. Les autres libraries contiennent des blocs qui assurent des
transformations de signaux. Par exemple, on peut trouver dans la library Continuous le bloc
Transfer function de la figure 3.42.
Le lecteur est invite a visiter les differentes librairies de Simulink. Plus que la lecture dune
documentation, cest la manipulation de cet environnement qui permet de prendre en main cet
outil : il a dailleurs ete coincu plus pour etre apprehender de cette facon-la. Certes, lorsque lon
fait cela pour la premiere fois, ce nest pas forcement evident. Cependant, si vous reussissez a
prendre en main Simulink par vous-meme, vous serez arme pour affronter les environnements
similaires.
98 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE

F IG . 3.43 Fenetre Simulink

3.7.2 Exemple de script Matlab pour le calcul de filtres


Le programme Matlab ci-dessous permet de calculer les differents filtres de la section 3.4.3.4
et dobtenir la figure 3.30.

n = 5; % Ordre du filtre
wn = 1; % Pulsation de coupure en rad/s

% Calcul du filtre de Butterworth

[Bb,Ab] = butter(n, wn,s);


% Bb est le vecteur des coefficients du polynome numerateur dont les
% termes sont ecrits par puissance decroissante
% Ab est le vecteur des coefficients du polynome denominateur dont les
% termes sont ecrits par puissance decroissante

% Calcul de la reponse frequentielle du filtre de Butterworth


w = 0:.001:3;
% vecteur de pulsations pour lesquelles la reponse frequentielle est
% calculee.
Hb = freqs(Bb, Ab, w); % Calcul de la reponse frequentielle

figure
plot(w, abs(Hb), :);
% Representation du module de la reponse frequentielle en fonction de l
% pulsation
hold on

% Calcul du filtre de Chebyshev de type I


Rp = .5;
% Fixe lamplitude des oscillations de lamplitude de la reponse
% frequentielle dans la bande passante. unite dB
[Bc1,Ac1] = cheby1(n, Rp, wn, s);
% Calcul du filtre de Chebyshev analogique de type I
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 99

% Calcul de la reponse frequentielle du filtre de Chebyshev de type I


Hc1 = freqs(Bc1, Ac1, w); % Calcul de la reponse frequentielle
plot(w, abs(Hc1));

% Calcul du filtre de Chebyshev de type II


Rs = 20;
% Permet de fixer lamplitude des oscillations de lamplitude
% de la reponse frequentielle dans la bande de rejection. Unite dB
[Bc2,Ac2] = cheby2(n, Rs, wn, s);
% Calcul du filtre de Chebyshev analogique de type II

% Calcul de la reponse frequentielle du filtre de Chebyshev de type II


Hc2 = freqs(Bc2, Ac2, w); % Calcul de la reponse frequentielle
plot(w, abs(Hc2), -.);

% Calcul du filtre elliptique


[Bce,Ace] = ellip (n, Rp, Rs, wn,s);

% Calcul de la reponse frequentielle du filtre elliptique


Hce = freqs(Bce, Ace, w);
plot(w, abs(Hce), --);
100 C HAPITRE 3 C ONVOLUTION ET F ILTRAGE
Chapitre 4

Autocorrelation et intercorrelation des


signaux deterministes

Ce chapitre est consacre a une caracterisation des signaux basee sur lenergie et sur la puis-
sance. Cette caracterisation permet dintroduire les notions dautocorrelation et dintercorrelation.
Ces deux notions ont des applications nombreuses. Les plus directes sont probablement :
Lextraction dinformations sur un signal utile par autocorrelation : la methode presentee
dans ce chapitre est complementaire de la methode de filtrage frequentiel presentee cha-
pitre 3 ;
La mesure de distances et/ou de temps par intercorrelation : la methode presentee dans ce
chapitre est exploitee dans les radars, sonars et autres GPS.

4.1 Energie et puissance


4.1.1 Definition
Les differentes grandeurs discutees dans ce texte sont definies mathematiquement dans le ta-
bleau 4.1, page 102 pour les signaux continus ; les principales relations y sont egalement presentees.

Les signaux peuvent etre classes en :

Signaux x a energie Ex finie, ce qui correspond aux signaux de L2 (R) :


Z +
Ex = |x(t)|2 dt < .

On peut les interpreter comme les signaux qui sont temporellement ephemeres1 .

Signaux x a puissance Px finie :


Z !
+T /2
1
Px = lim |x(t)|2 dt < .
T T T /2

Cest une classe tres large de signaux. On peut les interpreter comme les signaux tempo-
rellement persistants2 .
1
Cette derniere phrase nest pas une definition formelle mais une interpretation qualitative.
2
Cette derniere phrase nest pas une definition formelle mais une interpretation qualitative.

101
102 C HAPITRE 4AUTOCORR ELATION ET I NTERCORR ELATION DES SIGNAUX D ETERMINISTES

Energie finie Puissance finie


Z Z !
+ +T /2
1
Definition Ex = |x(t)|2 dt < Px = lim |x(t)|2 dt <
T T T /2

Z Z !
+ +T /2
1
Echange Exy = x(t)y(t)dt Pxy = lim x(t)y(t)dt
T T T /2

de puissance :
Densite spectrale denergie : 1
lim |X(, T )|2
Sx () T T
|X()|2
X(, T ) = F[x. rect(/T )]

Densite spectrale denergie : de puissance :


interspectre 1
Sxy () X()Y () lim X(, T )Y (, T )
T T

Z Z !
+ +T /2
1
Intercorrelation Rxy ( ) = x(t + )y(t)dt Rxy ( ) = lim x(t + )y(t)dt
T T T /2

F[Rxy ] = Sxy F[Rxy ] = Sxy

Z Z !
+ +T /2
1
Autocorrelation Rx ( ) = x(t + )x(t)dt Rx ( ) = lim x(t + )x(t)dt
T T T /2

Rx (0) = Ex Rx (0) = Px

F[Rx ] = Sx F[Rx ] = Sx

TAB . 4.1 Signaux continus


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 103

Par definition, la puissance dun signal a energie finie est forcement nulle.

Exemples elementaires Le signal continu x = rect est un signal a energie finie dont lenergie
vaut 1. Le signal continu x = est un signal a puissance fini dont la puissance vaut 21 .

On definit lenergie (respectivement la puissance) Exy (resp. Pxy ) echangee entre deux signaux
x et y, ce qui donne :
x et y a energie finie :
Z +
Exy = x(t)y(t)dt.

x et y a puissance finie :
Z !
+T /2
1
Pxy = lim x(t)y(t)dt
T T T /2

On peut interpreter la quantite Exy comme le produit scalaire entre le signal x et le signal y.
Intuitivement, un produit scalaire donne un degre de similitude entre deux elements. Pour deux
signaux lenergie dechange mesure-t-elle bien leur similitude ?

Exemple Pour donner des elements de reponse, on prend les deux signaux x et y representes
figure 4.1. Ces deux signaux sont a energie finie. Le signal y est en realite le signal x decale dans

1.5

1
x(t)

0.5

0.5

1
0 1 2 3 4 5 6 7 8 9 10
t

1.5

1
y(t)

0.5

0.5

1
0 1 2 3 4 5 6 7 8 9 10
t

F IG . 4.1 Signaux x et y
104 C HAPITRE 4AUTOCORR ELATION ET I NTERCORR ELATION DES SIGNAUX D ETERMINISTES

le temps. Pour ces deux signaux, Exy = 0 : on ne retrouve pas cette similitude dans lenergie
dechange. Pour la voir apparatre, il aurait fallu calculer le produit scalaire, en decalant un des
deux signaux de telle facon a ce que leurs motifs concident : dou la notion dintercorrelation
introduite ci-dessous.

4.1.2 Intercorrelation et autocorrelation


Lenergie (resp. la puissance) echangee obtenue en decalant le premier signal de secondes
est appelee intercorrelation Rxy ( ) : il sagit donc dune generalisation de lenergie (resp. la puis-
sance) echangee. Pour les signaux continus a energie finie :
Z +
R, Rxy ( ) = x(t + )y(t)dt.

Mathematiquement, cela sinterprete comme le produit scalaire entre le premier signal decale et le
second signal. Comme precedemment discute, un produit scalaire entre deux vecteurs mesurant un
degre de similitude entre ces deux vecteurs, lintercorrelation est une mesure de similitude entre
deux signaux.

Deux signaux x et y seront independants sil ny a aucun lien entre eux. Sil existe un lien alors
celui-ci doit dependre du decalage temporel entre ces deux signaux. Ils seront donc independants
si :
R, Rxy ( ) = constante.
On peut montrer que dans ce cas, lintercorrelation est egale au produit de la moyenne de x par la
moyenne de y. Si la moyenne dun des deux signaux est nulle alors lintercorrelation est nulle.

Letude de la similitude dun signal x avec lui-meme revient a determiner lintercorrelation de


ce signal avec lui-meme. On parle dautocorrelation : elle est notee Rx .
Si x est a energie finie :
Z +
R, Rx ( ) = x(t + )x(t)dt.

Si x est a puissance finie :


Z !
+T /2
1
R, Rx ( ) = lim x(t + )x(t)dt
T T T /2

Lautocorrelation en = 0 correspond a lenergie (resp. la puissance) du signal : Rx (0) = Ex


(resp. Rx (0) = Px ).

Propriete Lautocorrelation dun signal periodique est periodique et paire.

Exemples Pour le signal continu x defini par


t R, x(t) = A sin(20 t + )
on a :
A2
R, Rx ( ) = cos(20 ) (4.1)
2
Rx est bien une fonction periodique de frequence 0 . Par contre, elle est independante du dephasage
.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 105

Exercice Etablir lexpression (4.1).

4.1.3 Densites spectrales


Pour les signaux a energie finie, dapres le theoreme de Parseval Plancherel (theoreme 2.4.2,
page 31), il est possible de calculer lenergie dun signal a partir de son spectre :
Z + Z +
2
Ex = |x(t)| dt = |X()|2 d.

Lenergie est donc obtenue en integrant Sx () = |X()|2 qui est appelee Densite Spectrale
dEnergie ou DSE. Elle sinterprete comme la repartition de lenergie en fonction de la frequence3 .

On peut demontrer que la DSE dun signal correspond a la transformee de Fourier de lauto-
correlation de ce signal4 :
Sx = F[Rx ].
Dans le cas de signaux (continus) a puissance finie la Densite Spectrale de Puissance ou DSP5 se
definit par :
1
Sx () = lim |X(, T )|2
T T

avec X(, T ) = F[x. rect(/T )](), ce qui correspond au spectre de x sur lequel on a applique
une fenetre rectangulaire. De plus, on a Sx = F[Rx ].

La transformee de Fourier de lintercorrelation correspond a la densite spectrale interspectre


denergie qui est definie par le produit des spectres en amplitude de la transformee de Fourier des
signaux x et y (fenetres pour deux signaux a puissance finie) :
1
X()Y () et lim X(, T )Y (, T )
T T

Ces grandeurs ont un grand interet pour letude dun systeme de convolution : lorsque x et
y sont respectivement lentree et la sortie du systeme de convolution continu, on a, voir le ta-
bleau 4.2 :
La densite spectrale interspectre de x et y est le produit de la reponse frequentielle du
systeme de convolution par la densite spectrale de x :

Syx () = H()Sx ().

La densite spectrale de y est le produit de la reponse frequentielle en amplitude au carre du


systeme de convolution par la densite spectrale de x :

Sy () = |H()|2 Sx ().
3
Tout comme |x(t)|2 donne la repartition de lenergie en fonction du temps.
4
Z +
Rx ( ) = x(t + )x(t)dt = x x()( ).

Par suite, en prenant la transformee de Fourier de legalite precedente :

F[Rx ]() = X().X() = |X()|ei arg(X()) .|X()|ei arg(X()) = |X()|2 .

5
Ne pas confondre DSP et DSP : DSP en Anglais signifie Digital Signal Processing : traitement de signal digital...
106 C HAPITRE 4AUTOCORR ELATION ET I NTERCORR ELATION DES SIGNAUX D ETERMINISTES

Continu

y =hx

Syx () = H()Sx ()

Sy () = |H()|2 Sx ()

TAB . 4.2 Systemes de convolution continus et densites spectrales

4.2 Quelques applications


4.2.1 Autocorrelation appliquee a lextraction dinformation dun signal
degrade
Un signal x est transmis puis mesure par un systeme dacquisition. Ces differentes operations
entranent en general la degradation du signal initial. Le signal mesure xm peut etre represente
par :
t R, xm (t) = x(t) + b(t)
ou le signal b represente leffet de la degradation du signal. Le signal x est normalement un si-
gnal sinusodal de frequence inconnue. Le signal xm est represente figure 4.2. On constate que la
degradation est telle quil est difficile de distinguer un signal sinusodal. La question est donc de
savoir si le signal sans degradation (cest-a-dire x) etait bien periodique, sinusodal et si oui quelle
etait sa periode.

Une premiere idee serait dappliquer les methodes de filtrage frequentiel presentees chapitre 3.
Cependant, elles ne peuvent sappliquer que si les spectres des signaux x et b sont separes, hy-
pothese qui est peu probablement verifiee et en tous les cas nest pas verifiable. Une hypothese
plus realiste est de supposer que les signaux x et b sont independants car resultant de systemes phy-
siques differents. On peut alors exploiter les proprietes de lautocorrelation et de lintercorrelation.

Supposons que le signal mesure secrive sous la forme :

t R, xm (t) = A sin(20 t + ) + b(t)

ou b est un signal independant. Si le signal a effectivement cette structure alors son autocorrelation
sexprime par :
A2
R, Rxm ( ) = cos(20 t) + Rb ( ).
2

Exercice Demontrer ce resultat.

A laide de Matlab, il est possible de calculer une estimation de lautocorrelation Rx ( ) a partir


de la mesure du signal, voir figure 4.3. On observe que lautocorrelation calculee a partir du
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 107

Signal bruit
4

4
0 50 100 150 200 250 300 350 400
t

F IG . 4.2 Signal mesure

Autocorrlation du signal bruit


4

3.5

2.5

1.5

0.5

0.5

1
500 0 500

F IG . 4.3 Autocorrelation Rxm


108 C HAPITRE 4AUTOCORR ELATION ET I NTERCORR ELATION DES SIGNAUX D ETERMINISTES

2
signal presente bien une composante sinusodale A2 cos(20 ) a laquelle se superpose une valeur
importante en = 0. Le signal b serait alors tel que :
(
R \ {0}, Rb ( ) = 0
Rb (0) 6= 0

Comment sinterprete-il ? Le signal b est correle avec lui-meme mais nest pas correle avec lui-
meme decale dans le temps. Ceci indiquerait que ce signal ne presente pas de structure ou propriete
particuliere (periodique, etc..). Cela est coherent avec le fait que ce signal represente la degradation
introduite par des sources multiples (systemes de transmission, systemes de mesure, etc..). Le reste
de la courbe representee figure 4.3 est une fonction cosinus damplitude 0.5 et de periode 50 s.
1
Cela correspondrait a un signal sinusodal 0 = 50 Hz damplitude A telle que :

A2
= 0.5
2
soit A = 1.

4.2.2 Intercorrelation appliquee a la mesure dun temps de propagation

Cible

F IG . 4.4 Determination dune distance : exemple dapplications (seconde figure extraite de


http ://www.outilpro.com, troisieme de http ://axiomcafe.fr/la-revolte-des-papillons]

Lintercorrelation est souvent appliquee pour la determination dun temps de propagation. Ceci
est exploite par exemple par les radars et les sonars ou encore les telemetres et les chauve-souris,
voir Figure 4.4. Linteret est la de determiner la distance a laquelle se trouve un objet appele cible.
Pour cela, on emet un signal x sous la forme dune onde. Apres reflexion, un echo y revient vers
lemetteur, voir figure 4.4. Le principe est que connaissant la vitesse de propagation de londe,
le temps ecoule entre lemission et la reception permet de determiner la distance. Cependant, la
presence de bruit dans le signal y rend difficile la mesure du temps, voir figure 4.5. Si on calcule
a partir des valeurs de x et de y lautocorrelation de x et lintercorrelation entre x et y, on obtient
les courbes representees figure 4.6.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 109

1 4

3
0.8
2
x(t)

0.6

y(t)
1

0
0.4

1
0.2
2

0 3
0 1000 2000 3000 4000 5000 0 1000 2000 3000 4000 5000
t t

F IG . 4.5 Signal x emis et y recu

3
x 10
10 3
x 10
12

10
8

7
8

6
()
x

5
R

XY
R

4 4

3
2

0
1

0 2
1000 800 600 400 200 0 200 400 600 800 1000 1000 800 600 400 200 0 200 400 600 800 1000

F IG . 4.6 Autocorrelation de x et Intercorrelation entre x et y


110 C HAPITRE 4AUTOCORR ELATION ET I NTERCORR ELATION DES SIGNAUX D ETERMINISTES

Interpretons ces resultats. On fait lhypothese que

t R, y(t) = ax(t tp ) + b(t)

avec a < 1 un coefficient dattenuation, avec tp le temps de parcours pour effectuer laller-retour
et b un signal de valeur moyenne nulle et independant de x. On a alors :

R, Rxy ( ) = aRx ( + tp )

Exercice Demontrer ce resultat.

Par suite, lintercorrelation Rxy , a un facteur multiplicatif pres, correspond a Rx translatee de


tp . On deduit donc de la figure 4.6, droite que tp = 600.

4.3 Conclusion
Dans ce chapitre, a ete presentee une methode qui peut sappliquer a lextraction des in-
formations sur un signal utile. Elle est complementaire des methodes presentees dans le cha-
pitre 3 puisque les hypotheses de mise en uvre sont differentes. Cependant, ses possibilites sont
moindres puisquon nextrait pas totalement le signal : par exemple dans le cas dun signal si-
nusodal a extraire, si on peut determiner sa frequence, on ne peut pas determiner son dephasage.

Les signaux consideres dans ce chapitre sont dits deterministes : un signal x est dit deterministe
si, a chaque instant t, sa valeur x(t) peut etre determinee de facon certaine par un modele mathema-
tique. Exemple :
t R, x(t) = A sin(2t).
Il est clair que ces signaux ne peuvent pas representer lensemble des signaux reels. Nous verrons
dans le chapitre 7 que les signaux aleatoires constituent un ensemble de signaux plus satisfai-
sant de ce point de vue la. Le grand interet est que la notion denergie a puissance finie permet
detendre les methodes presentees dans ce chapitre aux signaux aleatoires. Le plus grand realisme
des signaux aleatoires permettra en plus daborder dans le chapitre 7 une methode de generation
de son qui sera appliquee a la telephonie mobile.
Chapitre 5

De lanalogique au numerique

F IG . 5.1 Principe de la compression MP3


Dans le chapitre 3, lintroduction du filtrage frequentiel a ete motivee par la compression MP3
ou il est necessaire de selectionner les composantes dun signal appartenant a certains intervalles
de frequences, voir figure 5.1. Cependant, le filtrage frequentiel qui a ete presente ne peut sappli-
quer quaux signaux en temps continu (ce qui comprend les signaux analogiques). La compression
MP3 seffectue en realite sur des signaux echantillonnes qui sont un cas particulier de signaux en
temps discret, voir figure 5.2. Peut-on etendre le filtrage frequentiel aux signaux discrets et plus
particulierement aux signaux echantillonnes ?

x x*

F IG . 5.2 Signal echantillonne

Dautre part, dans de nombreuses experiences, il est necessaire de determiner experimentalement

111
112 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

le spectre dun signal physique (donc analogique) a partir de la mesure faite par un systeme dac-
quisition, cette mesure se presentant en general comme un signal discret. Est-il possible a partir
de ce signal discret destimer le spectre du signal analogique de depart ?

Pour donner des elements de reponse a ces questions, ce chapitre va sinteresser a differentes
questions intermediaires :
1. Comment peut-on modeliser mathematiquement un signal discret (section 5.1) ? Comment
se definit la transformee de Fourier et de Laplace dun signal echantillonne ? Nous verrons
dans la section 5.1 tout linteret des distributions.
2. Comment la transformee de Fourier dun signal echantillonne est-elle reliee a la transformee
de Fourier du signal analogique correspondant (section 5.2) ? La question est liee au fait
que lon veut determiner le spectre de signaux de la nature (analogique) en utilisant des
systemes technologiques manipulant des signaux echantillonnes.
3. Comment correctement echantillonner un signal analogique ? La question est de choi-
sir la periode dechantillonnage Ts de facon a ce que le signal echantillonne ait autant
dinformation que le signal analogique correspondant (section 5.3).
4. Comment estimer le spectre dun signal analogique a partir de son signal echantillonne sur
un intervalle de temps borne ? Il sagit ici de presenter les principes de fonctionnement
des analyseurs de spectre (numeriques). Pour cela, la transformee de Fourier discrete sera
introduite et son application a cette question sera presentee dans la section 5.4.

5.1 Modelisation dun signal discret par peigne de Dirac


Dans le chapitre 2, la relation (2.13) a ete presentee : pour une fonction x,

x.t0 = x(t0 ).t0 .

Limpulsion de Dirac permet donc d extraire 1 la valeur dun signal (analogique) x a un instant
donne t0 . Il semble envisageable de ladapter pour modeliser le signal echantillonne {x(kTs )}k
issu de lechantillonnage a la periode Ts du signal analogique x puisquechantillonner un signal
analogique consiste a extraire ses valeurs aux instants kTs .

Le signal echantillonne prend la valeur x(kTs ) a linstant kTs : lidee est de le modeliser par
une impulsion de Dirac kTs ponderee par x(kTs ). Lensemble du signal echantillonne peut etre
alors represente par une distribution x , voir figure 5.3 :

X
x = x(kTs ).kTs . (5.1)
k=

5.1.1 Transformee de Fourier dun signal discret


On peut obtenir lexpression de la transformee de Fourier de la distribution distribution definie
par (5.1). Par linearite et continuite de la transformation, on obtient alors :
+
X

F[x ] = x(kTs )F[kTs ].
k=

1
Cest le cote appareil photo de limpulsion de Dirac.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 113

Modlisation dun signal discret avec peigne de Dirac


6 6

4 4

2 2

0 0

*
2 2

x
4 4

6 6

8 x(t) 8
xk
10 10
1 0.5 0 0.5 1 1 0.5 0 0.5 1
t t

F IG . 5.3 Signal echantillonne et modelisation avec peigne de Dirac

Dapres (2.17), on a F[kTs ]() = e2ikTs . Par suite, la transformee de Fourier dun signal
discret sexprime par :
+
X

R, F[x ]() = x(kTs )e2ikTs . (5.2)
k=

Pour memoire, pour le signal analogique x, on avait :


Z +
R, F[x]() = x(t)e2it dt.
t=

Noter que les deux expressions ont une structure similaire.

5.1.2 Transformee en Z dun signal discret


On peut obtenir lexpression de la transformee de Laplace de la distribution definie par (5.1).
En procedant comme pour la transformee de Fourier, on obtient, pour s C telle que lexpression
ci-dessous est bien definie :
+
X

L[x ](s) = x(kTs )ekTs s .
k=

En posant z = eTs s , on definit ainsi la transformee en Z 2 (voir figure 5.4) du signal discret x :
+
X

Z[x ](z) = x(kTs )z k (5.3)
k=

Elle est aussi notee X(z). La variable z joue pour les signaux discrets le role de la variable de
Laplace s pour les signaux continus. Cette definition correspond a la transformee en Z bilaterale.
2
La transformee en Z dun signal discret etant une serie infinie, la question se pose de la convergence de cette
serie et donc de lexistence de la transformee en Z. La serie ne converge que pour certaines valeurs de z, ces valeurs
formant dans le plan complexe un anneau.
114 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

F IG . 5.4 Dun Z qui veut dire... Laplace (au changement de variable pres z = eTs s )

De meme, on peut definir une transformee en Z monolaterale :


+
X

Z[x ](z) = x(kTs )z k . (5.4)
k=0

Linearite La transformee en Z est lineaire : pour a et b deux reels :

Z[ax + by ] = aZ[x ] + bZ[y ].

Translation temporelle Soit le signal discret y qui correspond au signal discret x retarde de
r periodes dechantillonnage. Il est alors defini par :

X

y = x ((k r)Ts ) .kTs
k=

ou r est un entier naturel. Alors, dans le cas de la transformee en Z bilaterale :

Y (z) = z r X(z)

et de la transformee en Z monolaterale :
r
X
Y (z) = z r X(z) + xi z (ri)
i=1

5.1.3 Expression dun signal discret basee sur un peigne


Exploitons maintenant le fait que le signal discret {x(kTs )}k est obtenu par echantillonnage du
signal continu x. Le gros interet de la modelisation dun signal echantillonne basee sur limpulsion
de Dirac est que la valeur x(kTs ) peut etre directement obtenue du signal x par multiplication par
limpulsion de Dirac kTs , ce qui correspond a la relation (2.13) cest-a-dire :

x(kTs ).kTs = x.kTs .


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 115

(5.1) se reecrit alors :


+
X

x = x. kTs .
k=

En introduisant la notation de peigne de Dirac, voir figure 5.53 :

Peigne de Dirac
1.5

1
x*

0.5

0.5
3Ts 2Ts Ts 0 Ts 2 Ts 3 Ts
t

F IG . 5.5 Peigne de Dirac

+
X
PgnTs = kTs ,
k=

on a alors :
x = x.PgnTs . (5.5)
Avec cette modelisation, un signal echantillonne sexprime comme le signal continu multiplie par
un peigne de Dirac.

Remarque Si on assimile un signal a une scene, on peut faire le parallele entre lextraction de la
valeur du signal a un instant donne avec la prise dune photographie, limpulsion de Dirac jouant le
role de lobturateur de lappareil photographique. Dans le meme ordre didee, lechantillonnage
dun signal analogique se rapproche de la prise de vue cinematographique, le peigne de Dirac
permettant de reproduire laction dune camera video (qui par exemple enregistre 25 images/s).

5.2 De la transformee de Fourier dun signal echantillonne


Nous allons maintenant relier la transformee de Fourier dun signal echantillonne a la trans-
formee de Fourier du signal analogique dont il est issu. En partant de la relation (5.5), la trans-
formee dun signal echantillonne sexprime par :

F[x ] = F[x.PgnTs ] = F[x] F[PgnTs ].


3
La representation graphique de cette distribution suggere lallure dun peigne (renverse), dou le nom de peigne
de Dirac.
116 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Or " #
+
X +
X +
X
F kTs = F [kTs ] = e2ikTs .
k= k= k=
4
Dapres la formule sommatoire de Poisson
+
X +
2ikTs 1 X
e = k.
k=
Ts k= Ts

Par suite, " #


+
X +
1 X
F kTs = k.
k=
Ts k= Ts
Avec la notation peigne de Dirac, on obtient :
  1
F PgnTs = Pgn 1 .
Ts Ts

Par suite,
1
F[x ] = F[x] Pgn 1 .
Ts Ts

4
Soit f la fonction periodique de periode 1 definie par :
1
t [0, 1], f (t) = (t )2 .
2
Au sens des distributions, cette fonction peut etre derivee deux fois. La derivee premiere f est une fonction periodique
de periode 1 telle que :
1
t ]0, 1[, f (t) = 2(t ).
2
La derivee seconde est alors donnee par :
+
X
f = 2 + 2 p
p=

puisque f presente une discontinuite de valeur 2 pour t prenant des valeurs entieres relatives.
Dautre part, la fonction f admet la decomposition en serie de Fourier suivante :

X 1+
1
t R, f (t) = cos(2nt).
12 1
2 n2

Il est ici licite de deriver la somme infinie terme a terme puisquon opere au sens des distributions, voir la remarque
page 42 ou encore la reference [2, Page 13]. Par suite,
+
X +
X

f =4 cos(2n) = 2 ei2k 2.
1 k=

Par suite, en egalant les deux expressions de la derivee seconde de f , on obtient la formule de Poisson :
+
X +
X
ei2k = p .
k= p=

t
En faisant le changement dechelle t Ts , on obtient :
+
X +
X
i2k Ts
e = Ts pTs .
k= p=
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 117

Avec X () = F[x ]() et X() = F[x](), on a alors :


+  
1 X m
R, X () = X . (5.6)
Ts m= Ts

Cette relation occupe une place centrale en traitement (numerique)5 du signal. Cette relation im-
plique que :
1
La transformee de Fourier dun signal discret est periodique de periode Ts
.

En effet,
  +  
1 1 X 1 m
R, X + = X + .
Ts Ts m= Ts Ts
En posant m = m 1, on a alors :
  +  
1 1 X m
R, X + = X = X ().
Ts Ts m = Ts
h i
Pour etudier le spectre dun signal discret, il suffit donc de le connatre sur lintervalle 2T1 s , 2T1 s ,
le reste etant deduit de ce motif par periodisation et multiplication par un facteur. Pour le si-
gnal continu dont le spectre multiplie par 1/Ts est represente figure 5.6, le spectre du signal
echantillonne correspondant est represente figure 5.7, gauche.

5.3 Theoreme de Shannon


Le spectre X du signal echantillonne est donc obtenu, a un facteur multiplicatif pres T1s
 
1
en superposant le spectre X du signal analogique a X + Ts , le spectre X decale de T1s , a
 
X + T2s , le spectre X decale de T2s , etc.. Un cas tres interessant est celui ou
1. Le support de X est lintervalle6 [max , max ], voir figure 5.6 : cela definit un motif ;
1
2. max 2Ts
.
Dans ce cas-la, quand on construit le spectre X en additionnant les differents spectres T1s X
decales de multiples de T1s (periodisation de T1s X), les motifs correspondant aux differents spectres
ne se recouvrent pas, voir figure 5.7, gauche. Par suite, la fonction motif definie par :
h i

2T1 s , 2T1 s Ts X ()
h i

R \ 1 , 1
2Ts 2Ts
0

est alors en realite X, la transformee de Fourier du signal x. Puisquun signal est completement ca-
racterise par son spectre et que dans ce cas, il est possible dobtenir le spectre du signal analogique
a partir du spectre du signal echantillonne : on peut donc theoriquement reconstituer le signal ana-
logique a partir du signal echantillonne correspondant. Le spectre du signal echantillonne et le
5
Le terme numerique fait reference a la branche du traitement du signal consacree aux signaux discrets et notam-
ment echantillonnes.
6
max est le plus petit reel positif tel que R \ [max , max ], X() = 0.
118 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

0.8

1/T X()
0.6

s
0.4

0.2

0
0
max max

F IG . 5.6 Spectre 1/Ts X a support borne [max , max ]

h i
spectre du signal correspondant concidant sur lintervalle 2T1 s , 2T1 s , le signal analogique peut
etre obtenu a partir du signal echantillonne par application dun filtre passe-bas ideal de frequence
de coupure 2T1 s . Nous discuterons plus en details de cette demarche dans ce qui suit.

1.2

s s s s s s

1 1
*
|X ()|

0.8 0.8
|X*()|
X*()

0.6 0.6

0.4 0.4

0.2 0.2


max max
0 0
3/(2Ts) 1/(2Ts) max 0 1/(2Ts) 3/(2Ts) 3/(2Ts) 1/(2Ts) 0 1/(2Ts) 3/(2Ts)
max

F IG . 5.7 Spectre dun signal echantillonne sans (gauche) et avec (droite) recouvrement

Par contre, dans le cas ou max > 2T1 s , la periodisation de T1s X entrane un recouvrement des
differents motifs, voir figure 5.7, droite. La consequence est que :
 
1 1
, , X() 6= Ts X ().
2Ts 2Ts

Il nest donc plus possible de reconstituer le signal analogique a partir du signal echantillonne.
Les deux cas sont illustres par la figure 5.7. Lapplication de la reconstitution dans le cas du
recouvrement produit alors un signal different du signal analogique de depart, voir figure 5.8. Les
differents cas de figure sont representes figure 5.9.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 119

Signal analogique et signal reconstitu partir de lchantillonn (recouvrement)

1
spectre
reconstitu
Spectre en amplitude
0.8
Spectre initial

0.6

0.4

0.2


max max
0
1/(2Ts) 0 1/(2Ts)

F IG . 5.8 Spectre du signal analogique de depart et spectre du signal analogique reconstitue en


cas de recouvrement de spectre

max 12 s
1.2 Filtre passebas
s
s s H()

1 1

Ts
0.8 0.8
1/TsX()
X ()

0.6 0.6
*

0.4 0.4

0.2 0
1/2
s
1/2
s 0.2

0 0
3/(2Ts) 1/(2Ts) max 0 1/(2Ts) 3/(2Ts) 0 0
max max max

max > 21 s
Signal analogique et signal reconstitu partir de lchantillonn (recouvrement)
Filtre passebas

H()

1
spectre
Ts reconstitu
Spectre en amplitude

s
s s 0.8
1
Spectre initial

X*()
0.6
0.8
X*()

0.6 0.4

0.4

0.2
1/TsX(+1/Ts)
1/TsX()
1/TsX(1/Ts) 1/TsX(2/Ts)
0
1/2
s
1/2
s 0.2


max max
max max
0
0
3/(2Ts) 1/(2Ts) 0 1/(2Ts) 3/(2Ts)
0 1/(2Ts) 0 1/(2Ts)

F IG . 5.9 Differents cas de figure


120 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Support GSM Mini DV CD audio


Frequence
dechantillonnage 8000 32000,48000 44100
(Hz)

TAB . 5.1 Frequences dechantillonnage pour le son dans differents systemes grand public

5.3.1 Lenseignement de Shannon


Theoreme 5.3.1 (Theoreme de Shannon) 7 Un signal x reel dont le support de la transformee
de Fourier est contenu dans lintervalle [max , max ] est entierement determine par ses valeurs
en kTs ou k est un entier relatif si, avec s = T1s :

max < 12 s s > 2max (5.7)

La frequence 2max est la frequence dechantillonnage critique. Elle indique la frequence dechantillonnage
minimale dun signal analogique necessaire pour conserver linformation utile dans le signal
echantillonne. Dans le cas dun signal sinusodal, cela correspond a echantillonner au minimum
deux valeurs par periode. La frequence 21 s est souvent appelee frequence de Nyquist ou frequence
de Shannon.

Remarque En pratique, le support du spectre dun signal x nest generalement pas limite a un
intervalle [max , max ] fini, ce qui correspond a max = + : la condition (5.7) du theoreme de
Shannon ne peut donc pas etre satisfaite. Par contre, on a generalement :

lim |X()| = 0.
||+

exp exp exp


Par suite, il existe une frequence max finie telle que : R\[max , max ], |X()| 0. Il est
donc possible dappliquer le theoreme de Shannon de facon approchee en prenant la condition :
exp
s 2max .

Le tableau 5.1 donne des ordres de grandeur des frequences dechantillonnage utilisees dans les
systemes grand public pour les signaux sonores.

Exemple On echantillonne le signal analogique : t R, x(t) = sin(2t) a la frequence


dechantillonnage s = 1.05 Hz. Le resultat obtenu est represente figure 5.10. Interpreter.
7
Claude Shannon (1916-2001) est un ingenieur electricien et mathematicien americain. Il est particulierement
connu pour le developpement de la theorie de linformation au sein des Laboratoires Bell - Bell Telephone Labora-
tories ou AT&T Bell Laboratories. Ils font actuellement partie du centre de recherche et developpement dAlcatel-
Lucent. Le theoreme presente ici est aussi appele theoreme de Nyquist-Shannon, car Harry Nyquist qui travaillait
aussi au sein des laboratoires Bell avait avant Shannon ennonce ce resultat. Claude Shannon est sans aucun doute lun
des peres fondateurs de la science du signal. La diversite de ses travaux y compris les plus ludiques illustre bien
luniversalite et la versatilite de cette science. Son memoire de Master (equivalent du TFE centralien) a permis de
developper lutilisation de lalgebre de Boole pour letude des circuits a relais. Sa these a dautre part ete consacree
a une approche algebrique de la genetique de Mendel. Ses travaux les plus fameux portent sur lelaboration dune
theorie mathematique de la communication. Cependant, a cote de cela, il a mene des travaux sur la jonglerie (son
dernier article scientifique sintitule Scientific aspects of juggling) ou il a encore elabore une machine resolvant le
Rubiks cube.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 121

x(t)
x
k
1

0.8

0.6

0.4

0.2
signaux

0.2

0.4

0.6

0.8

0 5 10 15 20 25 30
temps t

F IG . 5.10 Signal analogique x (trait continu) et signal echantillonne (points) a s = 1.05 Hz

Exercice On considere le signal sinusodal x defini par :


t R, x(t) = sin(2.1000.t).
On echantillonne ce signal a la frequence s = 44100Hz, ce qui donne le signal echantillonne xTs
dechantillon xk ou Ts = 1s s.
1. La condition du theoreme de Shannon est-elle satisfaite ? Si oui, quelle en est la consequence ?

2. On construit un signal discret yN Ts ou N est un entier naturel a partir du signal echantillonne

xTs de la facon suivante :
k, yk = xN k
ce qui revient a prendre un echantillon sur N de {xk }k . On parle de sous-echantillonnage
ou down sampling en Anglais. On envoie vers un haut parleur les signaux xTs , y10T
s
et

y30Ts , voir le tableau 5.2. Ecouter le resultat obtenu. Que constatez-vous ? Interpretez les
differences notables qui apparaissent entre certains signaux en vous inspirant des raisonne-
ments effectues dans cette section. Le lecteur interesse pourra generer ces signaux grace au
schema Simulink represente figure 5.11 et disponible sur le serveur pedagogique.

Cliquer pour ecouter Cliquer pour ecouter Cliquer pour ecouter


xTs
y10Ts

y30Ts

TAB . 5.2 Sons associes aux signaux xTs , y10T



s

et y30Ts

5.3.2 De lart de bien echantillonner


Les signaux analogiques a echantillonner ne sont pas les signaux physiques eux-memes mais
leur mesure par des capteurs. Tout phenomene de mesure saccompagne dun alteration que lon
122 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

BFFT
Spectrum
Scope

To Audio
10 Device
Sine Wave Downsample

AppliShannonSinus 10.wav

To Wave File

xk txk

F IG . 5.11 Schema Simulink pour generer les sons

+
x mesure de x x*

+ Ts

CAPTEUR

F IG . 5.12 Effet du bruit


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 123

appelle generalement bruit : la consequence est que meme si le support du spectre du signal
est bien borne et de la forme [max , max ], il est improbable que le support du spectre de la
mesure du signal soit borne, un bruit modifiant de facon notable le spectre du signal en hautes
frequences, voir figure 5.12. La solution est dintroduire un filtre passe-bas avant lechantillonnage
de frequence de coupure max , voir figure 5.13. Ce filtre qui est forcement analogique est appele
filtre anti-repliement. Il permet deviter le recouvrement et elimine leffet des bruits en hautes
frequences.

b(t)

+
x(t) mesure de x(t) x
k

+ Ts

CAPTEUR

F IG . 5.13 Principe de la chane dacquisition dun signal continu et de sa transformation en


signal echantillonne

5.3.3 De lart de reconstituer un signal continu a partir du signal echantillonne


On suppose que la condition (5.7) du theoreme de Shannon est satisfaite. Comme on la vu
dans la section precedente, la reconstitution du signal continu a partir du signal echantillonne est
basee sur le fait que
La transformee de Fourier du signal continu est egale a la transformee de Fourier du signal
echantillonne multipliee par la reponse frequentielle dun filtre passe-bas ideal de frequence
de coupure s :
R, X() = Ts X () rect (Ts ) .
En utilisant la transformee de Fourier inverse, x = F 1 [X], cette expression devient dans
le domaine temporel :
+
X

x = Ts x s sinc(s ) = x(kTs ).kTs sinc(s )
k=

et donc
+
X
t R, x(t) = x(kTs ) sinc (s (t kTs )) .
k=

Cette derniere formule donne une methode explicite pour determiner le signal analogique x
connaissant tous les echantillons x(kTs ) : x est obtenu a partir du signal echantillonne par appli-
cation dun filtre ideal passe-bas de frequence de coupure 12 s , voir figure 5.14. Elle souffre de
plusieurs inconvenients majeurs. Dune part, pour obtenir la valeur de x a linstant t, x(t), il est
necessaire de connatre tous les echantillons x(kTs ), y compris ceux qui sont apres linstant t et
donc dans le futur. La reconstruction nest donc pas causale, ce qui est coherent avec lutilisation
dun filtre passe-bas ideal : nous avons vu dans le chapitre precedent que linconvenient majeur de
ce filtre est quil nest pas causal. De plus, le nombre total dechantillons necessaires pour le calcul
124 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

x(t) x x(t)
k

Ts

F IG . 5.14 Principe de la reconstitution dun signal continu a partir du signal echantillonne

de x(t) est infini ! Une telle expression ne peut donc etre utile quappliquee en temps differe8 sur
des signaux possedant un nombre fini dechantillons non nuls. La seance de TD 5 est consacree
a letude dune methode applicable en temps reel et economique en nombre de calcul a effec-
tuer pour reconstituer une approximation du signal analogique a partir du signal echantillonne
correspondant. Cette methode est par exemple appliquee dans les lecteurs CD.

5.4 De la transformee de Fourier discrete aux analyseurs de


spectre numeriques
Dans les chapitres precedant, nous avons vu limportance de lanalyse spectrale pour la ca-
racterisation des signaux, cette analyse reposant sur la determination de la transformee de Fourier
du signal. Cest pour cela que lanalyse spectrale est utilisee dans de nombreuses applications liees
par exemple au traitement du son (par exemple codage MP3), a letude du comportement vibra-
toire de systemes mecaniques, etc... La question de sa mise en uvre pratique est donc cruciale.
Dans les exemples academiques danalyse spectrale que nous avons pu aborder, il sagis-
sait de signaux pour lesquels on avait une expression analytique explicite. De plus, ces signaux
etaient elementaires : lexpression analytique etait alors suffisamment simple pour permettre de
determiner par calcul formel la transformee de Fourier du signal.
Malheureusement, les applications sont en general beaucoup trop complexes pour quune telle
demarche puisse etre appliquee : souvent, on ne connait pas dexpression analytique du signal et si
on en connaissait une9 , elle serait probablement beaucoup trop complexe pour pouvoir determiner
par calcul formel sa transformee de Fourier. Puisque le calcul formel ne peut pas etre mis en
uvre, il est necessaire de recourir au calcul numerique.

Un cas typique dapplication est la realisation de lanalyse spectrale dun signal physique
a partir de son acquisition (ou mesure). La situation est resumee par la figure 5.15. Un signal
physique est un signal analogique, cest-a-dire une fonction x definie sur R (trait fin sur la figure).
Il est mesure au cours dune experience qui dure un temps Ta : cela permet de definir la fonction
xTa qui est supposee etre nulle en dehors de lintervalle de temps sur lequel la mesure a ete
effectuee et egal a x sur lintervalle de temps de mesure (trait epais sur la figure). Cependant,
la mesure etant effectuee par un dispositif technologique, au vu des technologies actuelles, le
signal mesure sera en realite le signal discret xTa obtenu par echantillonnage du signal xTa (les
8
Le calcul des valeurs x(t) nest fait que quand tous les echantillons x(kTs ) ont ete mesures : la consequence
pratique est que le valeur x(t) ne peut etre calculee qua un instant t1 > t.
9
A supposer quelle existe.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 125

1.5

1
x
T
a

0.5

0.5

1.5

x
2

2.5
10 0 10 20 30 40 50 60 70 80 90 100
t

F IG . 5.15 Mesure xTa dun signal physique x (trait fin)


126 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

echantillons du signal discret sont les points rouges de la figure). Puisque lon ne dispose que du
signal discret xTa pour estimer le spectre du signal x, se posent deux questions :
1. Peut-on estimer correctement le spectre de x a partir de xTa ? Si oui, sous quelles condi-
tions ?
2. Comment calculer efficacement le spectre dun signal discret a support temporel borne tel
que xTa ?

Pour repondre a la premiere question, il est necessaire de comparer les spectres de x, xTa et
xTa . Comme cela a ete etudie dans la section 3.5, page 87, le passage de x a xTa correspond a
une operation de fenetrage rectangulaire, ce qui entrane forcement une degradation du spectre,
degradation qui peut etre diminuee par application sur le signal xTa dune fenetre adaptee telle
que la fenetre de Hanning ou la fenetre de Hamming. Le spectre du signal correspondant xTa
auquel un fenetrage approprie a ete applique constitue une estimation du spectre de x. Nous ver-
rons dans la sous-section 5.4.3 que le fenetrage peut etre effectue sur le signal xTa obtenu apres
echantillonnage de xTa . Enfin, dapres la section precedente, si la periode dechantillonnage peut
etre choisie conformement au theoreme 5.3.1 (Theoreme de Shannon), le spectre de xTa peut etre
completement reconstitue a partir du spectre de xTa . En conclusion, il est donc possible dobtenir
une estimation du spectre de x a partir de xTa , a condition de choisir une periode dechantillonnage
qui satisfait le Theoreme de Shannon et deffectuer une operation de fenetrage sur xTa .
La seconde question est abordee dans la sous-section suivante. Pour lingenieur, lefficacite
est un element crucial pour la mise en uvre de lanalyse spectrale : le spectre du signal doit
etre calcule avec un cout le plus faible possible, le cout etant mesure par le nombre doperations
arithmetiques effectuees. Or le nombre dechantillons non nuls de xTa peut etre extremement
important. Par exemple, comme nous lavons vu en introduction du chapitre 3, la mise en uvre
de la compression MP3 est basee sur des analyses spectrales effectuees sur le son a compresser
decoupe par intervalles de temps. Dapres le tableau 5.1, la periode dun signal sonore pour un
CD est de 44100 Hz, ce qui veut dire quune minute de musique sur 1 CD est representee par
N = 2 millions 646 milles echantillons ! Pour que la compression MP3 sexecute en un temps
raisonnable, il est donc imperatif de diminuer au maximum le cout de lanalyse spectrale.
Comme la relation entre le spectre de x et le spectre de xTa dans la section 3.5 ainsi que le
traitement a appliquer a xTa pour obtenir un signal dont le spectre est une meilleure estimation du
spectre de x que celle donnee par le spectre de xTa , la sous-section suivante va etudier lestimation
efficace du spectre de xTa a partir des echantillons de xTa . De facon a alleger les notations, xTa est
note x, ce qui revient a supposer que x est un signal a support temporel borne.

5.4.1 TFD pour le calcul du spectre de signaux a support fini


Soit un signal continu x tel que t R\[0, Ta [, x(t) 0. Ce signal est mesure et echantillonne
avec une periode dechantillonnage Ts sur lintervalle de temps [0, Ta [. Le temps dacquisition Ta
du signal est suppose etre un multiple entier de Ts : Ta = N Ts . Le signal echantillonne obtenu est
donne par :
+
X N
X 1

x = x(kTs ).kTs = x(kTs ).kTs .
k= k=0
Dapres (5.2), la transformee de Fourier du signal echantillonne est donnee par :
N
X 1

R, F[x ]() = x(kTs )e2ikTs . (5.8)
k=0
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 127

Cas ou il ny a pas repliement de spectre En labsence de repliement, dapres la section 5.3,


 
1 1
, , X() = Ts X ()
2Ts 2Ts
et donc (5.8) donne :
  N
X 1
1 1
, , X() = Ts x(kTs )e2ikTs . (5.9)
2Ts 2Ts k=0
h i
Lexpression (5.9) montre comment il est possible de calculer pour toute valeur de , 2T1 s , 2T1 s
la valeur du spectre du signal continu a la frequence a partir des echantillons {x(kTs )}k{0, ,(N 1)} .
Dans la suite, x(kTs ) est plus succinctement note xk .

En pratique, les calculs seffectuant sur un ordinateur ou sur


h un microprocesseur,
h on ne calcule
X() que pour un nombre fini (pair) N de valeurs de 2Ts , 2Ts : = N Ts = Tna pour
1 1 n

n { N2 , . . . , N
2
1}, ce qui donne :
  N
X 1
N N kn
n ,..., 1 , X () | = Ts xk e2i N . (5.10)
2 2 = n
= Tn
N Ts a
|k=0 {z }
Xn

Le calcul de N points du spectre de x se ramene donc au calcul de {Xn }n{ N ,..., N 1} a un


2 2
facteur multiplicatif pres. De plus, Xn+N = Xn . En effet,
N
X 1
(n+N )
Xn+N = xk e2ik N

k=0
N
X 1
n
= xk e2ik N = Xn
k=0

On en deduit que :
{Xn }n{ N ,..., 1} = {Xn }n{ N ,..., (N 1)} .
2 2

Par suite, calculer {Xn }n{ N ,..., N 1} se ramene a calculer {Xn }n{0,..., (N 1)} .
2 2

{Xn }n{0,..., (N 1)} est appelee Transformee de Fourier Discrete10 de {xk }k{0,..., (N 1)} .
Notation
{xk } {Xn }
Transformation directe
N
X 1
kn
Xn = xk e2i N (5.11)
k=0

Transformation inverse
N 1
1 X kn
xk = Xn e2i N (5.12)
N n=0
10
On prendra soin de ne pas confondre une Transformee de Fourier Discrete et la Transformee de Fourier dun
Signal Discret telle que definie par (5.2).
128 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Partant de {xk }k{0, , (N 1)} , le calcul de {Xn }n{0, , (N 1)} seffectue a partir de (5.11) a laide
dun nombre fini doperations arithmetiques. Neanmoins, en pratique, N peut etre (tres) grand.
Dapres le tableau 5.1, la periode dechantillonnage dun signal sonore pour un CD est de 44100 Hz,
ce qui veut dire quune minute de musique sur 1 CD est representee par N = 2 millions 646 milles
echantillons et une heure 10 minutes correspond a N = 185 millions 220 mille echantillons. Le
calcul numerique de la Transformee de Fourier Discrete {Xn }n{0,..., (N 1)} par la formule (5.11)
coute (N 1)2 multiplications complexes, le cout des additions etant negligeable par rapport au
cout des multiplications. Pour N grand, le temps de calcul est tres long, ce qui limite fortement
linteret pratique de ce calcul. Afin de remedier a ce probleme, plutot que dutiliser navement
les formules (5.11) et (5.12), un algorithme efficace appele Transformee de Fourier Rapide (TFR
ou FFT en Anglais) a ete developpe. Il sapplique dans le cas ou N est une puissance11 de 2.
Lalgorithme FFT permet de calculer la Transformee de Fourier Discrete {Xn }n{0,..., (N 1)} en
effectuant N2 log2 (N ) ou log2 represente le logarithme de base 2, ce qui fait un nombre de multi-
plications complexes qui augmente beaucoup moins vite avec N , voir figure 5.16
Nombre de multiplications complexes

2500
TFD
FFT
2000

1500

1000

500

0
0 10 20 30 40 50
N

F IG . 5.16 Cout du calcul de la TFD par (5.11) versus FFT

Une minute de musique sur 1 CD etant representee par N = 2 millions 646 mille echantillons,
le calcul numerique de la Transformee de Fourier Discrete par la formule (5.11) coute plus de 7
1012 multiplications complexes alors que le calcul par FFT coute moins de 3 107 multiplications
complexes soit une difference dordre de grandeur de 100 000 ! Lalgorithme FFT est programme
sous Matlab avec la fonction fft12 :

>> help fft


FFT Discrete Fourier transform.
FFT(X) is the discrete Fourier transform (DFT) of vector X. For
matrices, the FFT operation is applied to each column. For N-D
arrays, the FFT operation operates on the first non-singleton
dimension.
11
Il existe M tel que N = 2M . Si ce nest pas le cas, il suffit de completer {xk } par 2M N zeros ou M est le
plus petit entier tel que M log2 (N ).
12
Sous Matlab, lindice du premier element dun vecteur est toujours 1 et jamais 0.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 129

(...)
For length N input vector x, the DFT is a length N vector X,
with elements
N
X(k) = sum x(n)*exp(-j*2*pi*(k-1)*(n-1)/N), 1 <= k <= N.
n=1
The inverse DFT (computed by IFFT) is given by
N
x(n) = (1/N) sum X(k)*exp( j*2*pi*(k-1)*(n-1)/N), 1 <= n <= N.
k=1

La fonction fft permet aussi de traiter des problemes ou N nest pas une puissance de 2, comme
lexemple qui suit. Dans ce cas, elle est moins efficace ce qui nest pas genant pour lexemple car
il est de petite dimension.

Bilan
Lintervalle entre deux points frequentiels de X() calcules par (5.10) est N1Ts = T1a ;
s = T1s est la largeur de lintervalle frequentiel sur lequel des valeurs de X sont calculees ;
La mesure de N echantillons temporels xk permet de determiner N points du spectre X
de x.   
Le calcul des echantillons n N2 , . . . , N2 1 , X NnTs se ramene au calcul de la trans-
formee de Fourier discrete {Xn }n{0, , (N 1)} voir la formule (5.10) et la discussion associee. On
a alors :  N
n 2 , . . . , 1
X () | = Ts Xn+N
= NnT
 N
s

n 0, . . . , 2
1 X () | = Ts Xn
n
= N T
s

La demarche de mise en uvre est resumee figure 5.17.

Exemple Considerons le signal x defini par

t R, x(t) = t2 e3t (t)

ou est lechelon dHeaviside. Sa courbe representative est representee figure 5.18. La fonction
est strictement decroissante, de limite egale a 0 quand t tend vers linfini. On peut considerer que
pour t 5, x(t) 0. Par suite, on choisit Ta = 5s. Ce signal est echantillonne avec une periode
dechantillonnage Ts = 18 s soit s = 8 Hz, voir figure 5.18. Avec N = 40, on a bien Ta = N Ts .

Dans cet exemple, la transformee de Fourier du signal x peut etre calculee de facon litterale :
2
R, X() = . (5.13)
(2i + 3)3
Pour > 0, |X()| est une fonction strictement decroissante de . De plus, |X(1/(2Ts ))| =
1.2334 104 0. Par suite, on peut considerer que la condition du theoreme de Shannon
(condition 5.7, page 120) est satisfaite. Le spectre en amplitude |X ()| du signal echantillonne
est represente en noir figure 5.19.
 Lamplitude
 de {Ts Xn }n{0, , (N 1)} est representee en bleu

figure 5.19, lamplitude de X NnTs en rouge pour n N2 , . . . , 1 et en bleu pour n
130 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Echantillonnage Calcul de TFD

Estimation
spectre

F IG . 5.17 Demarche de mise en uvre de la TFD

Priode dchantillonnage T =0.125s


s
0.07

0.06

0.05

0.04
t2e3t(t)

0.03

0.02

0.01

0
0 1 2 3 4 5
t

F IG . 5.18 Signal t2 e3t (t)


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 131

0.08

Transforme de Fourier du
0.07 signal chantillonn

0.06
Spectre en amplitude

0.05
TX
s n
pour n 0,..., (N1)
0.04

0.03

0.02

0.01

0
12 8 4 0 4 8 12
Frquence en Hertz

F IG . 5.19 Spectre en amplitude |X ()| du signal echantillonne

  
N n
0, . . . , 1 . On constate que les valeurs de X N Ts calculees par la transformee de Fourier
2
discrete concident bien avec les valeurs obtenues a partir de (5.13).

Cas ou il a repliement de spectre Cependant, dans le cas ou le support dun signal continu est
un intervalle borne, le support de sa transformee de Fourier nest pas borne. Il y a donc forcement
repliement de spectre. On a alors :
+
X      X 
n nN n nN n
Xn = s X = s X +
m s X m
m=
Ta Ta
m6=0
T a Ta Ta
| {z }
terme de repliement
 
Neanmoins, on peut sarranger pour que son effet sur lestimation de X Tna via lutilisation de
la TFD soit pratiquement faible.

5.4.2 TFD pour le calcul du spectre de signaux periodiques


Nous allons voir que lutilisation de la transformation de Fourier discrete permet de determiner
lintegralite du spectre dun signal continu periodique. Cest le grand avantage de ce cas-la par
rapport au cas traite dans la sous-section precedente. Cependant, pour les applications pratiques,
le cas precedent est beaucoup plus interessant, ce que motivera lexemple de cette sous-section.

Dans la sous section 2.6.4.1, page 45, nous avons vu que :

La transformee de Fourier dun signal periodique est discrete.

Un signal periodique x correspond a la periodisation dun signal motif xmotif , voir figure 5.20 : la
transformee de Fourier du signal periodique est alors obtenue, a un coefficient multiplicatif pres,
par la discretisation de la transformee de Fourier de la fonction motif. Cela se retrouve dans les
132 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

fonction motif
0.08

0.06

0.04

0.02

0
5 0 5 10
t
fonction priodique
0.08

0.06

0.04

0.02

0
5 0 5 10
t

xmotif T xmotif xmotif T

F IG . 5.20 Fonction periodique et fonction motif : x = xmotif PgnT


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 133

expressions mathematiques. Avec T la periode du signal periodique, un signal periodique x est


reliee au motif xmotif par :
x = xmotif PgnT .
En prenant la transformee de Fourier de cette expression, on obtient :
1
F[x] = F[xmotif ]. Pgn 1 . (5.14)
T T

Pour un signal periodique de periode T , la transformee de Fourier est discrete avec un pas de T1 .
Dautre part, nous avons vu quun signal echantillonne avec une periode dechantillonnage de Ts
a une transformee de Fourier periodique de periode T1s . Dou le tableau 5.3.

Signal Spectre

Domaine Temps Frequence

1
Periode T Ts

1
Pas Ts T

TAB . 5.3 Temps frequence pour un signal periodique echantillonne

La relation (5.14) permet de reduire le calcul de la transformee de Fourier dune fonction


periodique a celle de sa fonction motif xmotif . Or xmotif est une fonction a support borne de
longueur T . Si on procede a lacquisition de N echantillons {xk }k{0, ,(N 1)} avec une periode
dechantillonnage Ts telle que le temps dacquisition Ta = N Ts soit egal a la periode T du signal
periodique x, dapres la section precedente (equation (5.9)), on a, en labsence de repliement de
spectre :
h i N
X 1
1 1
2Ts , 2Ts , Xmotif () = Ts xk e2ikTs

k=0
Sinon Xmotif () = 0
Par suite, puisque X = Xmotif . T1 Pgn 1 et pour N pair,
T

+
!
1 X
X = Xmotif . n 1
T n=
T

+  
1 X 1
= Xmotif n n 1
T n= T T

+2 N
 
1 X 1
= Xmotif n 1
T N
Ta n T
n= 2

+N N 1
Ts X 2
X
n
N 1
2ik
= xk e nT
T N k=0
n= 2 | {z }
Xn
134 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

En conclusion, en labsence de repliement de spectre, pour un signal x periodique de periode


T echantillonne periode Ts telle que T = N Ts , le calcul de la TFD associee permet de determiner
lintegralite du spectre de x :
N
+2
Ts X
X= Xn n 1
T N
T
n= 2

ce qui dun point de vue theorique est remarquable.

Exemple Soit le signal periodique de periode T = 1s definie par :


 
1
t R, x(t) = sin 2 t .
T

Le signal est echantillonne avec Ts = 0.1s et on fait lacquisition de N = 10 echantillons. Par


suite, Ta defini par Ta = N Ts est tel que Ta = T . Le calcul de la transformee de Fourier discrete
par la fonction Matlab fft donne le resultat presente figure 5.21. Le resultat est bien coherent
avec F[x] : en effet, nous avons vu dans le chapitre 2 que

i i
F[x] = 1 1 .
2 T 2 T

1 0.6
sin(2 t/T)
0.8 sin(2 kT /T)
s
0.5
0.6

0.4
0.4
0.2
T /T|X |
n

0 0.3
s

0.2
0.2
0.4
1/T

0.6
0.1
0.8

1 0
0 0.2 0.4 0.6 0.8 1 0 2 4 6 8 10
t Frquence =n/T

Ts
F IG . 5.21 x et T
|Xn |

Maintenant imaginons que nous ne connaissions pas exactement la frequence du signal periodi-
que : la periode Ts est alors choisie telle que Ta 6= T , par exemple, avec Ts = 0.11s, Ta = 1.1 s.
La figure 5.22 presente le resultat obtenu. On constate quune modification de seulement 10% de
Ts a des effets importants. En realite, la transformee discrete representee figure 5.22 correspond
au spectre du signal periodique dont le motif est defini par :
 
1
t [0, Ta [, xmotif (t) = sin 2 t
T
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 135

1 0.7
sin(2 t/T)
0.8 sin(2 kT /T)
s
0.6
0.6

0.4 0.5

0.2
0.4

T /T|X |
n
0

s
0.3
0.2

0.4 0.2

0.6
0.1
0.8

1 0
0 0.2 0.4 0.6 0.8 1 0 2 4 6 8 10
t Frquence =n/T

Ts
F IG . 5.22 x et T
|Xn | avec T 6= N Ts

0.8

0.6

0.4

0.2
motif

0
x

0.2

0.4

0.6

0.8

1
0 0.2 0.4 0.6 0.8 1
t

F IG . 5.23 Fonction motif pour Ts = 0.11s


136 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

soit ce qui est represente sur la figure 5.23, ce qui ne correspond plus au motif dune fonction
sinusodale : il est donc normal de ne plus avoir le spectre dune fonction sinusodale.
En pratique, comme on ne connait pas forcement exactement la periode dun signal periodique
a etudier13 , on traite un signal periodique comme un signal quelconque, tel que cela est decrit dans
la sous section suivante.

5.4.3 Principe de lanalyseur numerique de spectre

F IG . 5.24 Analyseur de spectre numerique Tektronix (Source photo http ://www.tek.com)

FFT
Sine Wave ZeroOrder
Hold Spectrum
Scope

F IG . 5.25 Analyseur de Spectre sous Simulink

Un analyseur numerique de spectre est un appareil delectronique numerique servant a esti-


mer le spectre dun signal mesure sur un intervalle de temps borne. Un exemple est presente fi-
gure 5.24. Sous Simulink (avec la librairie Signal Processing Blockset), lequivalent
de lanalyseur de spectre est le Spectrum Scope, voir figure 5.25.

Les differentes etapes de lanalyse experimentale du spectre sont representees figure 5.26.
13
Lobjectif de lanalyse spectrale peut etre justement de determiner cette periode !
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 137

b(t)

+
x mesure de x x
k

+ Ts

CAPTEUR

STOCKAGE de N
chantillons x
k

transmission de
N chantillons

FENETRE de
PONDERATION

transmission de
N chantillons pondrs

Calcul de
FFT

transmission de
N valeurs de TFD

Estimation du spectre de
x

F IG . 5.26 Etapes de lanalyse experimentale du spectre


138 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

1. Le signal x est echantillonne en temps reel avec une periode Ts qui a ete choisie de facon
adequate, voir section 5.3.
2. Les echantillons {xk } obtenus sont stockes dans une memoire de capacite N : cette memoire
contient a chaque instant les N derniers echantillons xk de x.
3. Toutes les mTs secondes, avec m N , les N echantillons stockes sont transmis de facon a
effectuer une operation de fenetrage temporel.
4. Apres fenetrage, la TFD est calculee pour les N echantillons transmis xk par application de
lalgorithme FFT, voir section 5.4.1.
5. A partir du calcul de la TFD, une estimation du spectre de x est obtenue et est represente
graphiquement.
Pour mettre en uvre le fenetrage temporel sur un signal discret, il suffit de considerer une version
discrete des fenetres. En notant que Ta = N Ts et que lon sinteresse aux temps t = kTs , on a
apres simplifications :
Hanning ( 
1
k {0, , (N 1)} , wk = 2
12 cos 2 Nk
Sinon, wk = 0
Hamming ( 
k {0, , (N 1)} , wk = (1 ) cos 2 Nk
Sinon, wk = 0
Les fonctions Matlab hanning et hamming donnent, pour un N donne, le vecteur des coeffi-
cients wk , k {0, , (N 1)}.

Remarques
1. Les etapes 3 a 5 sont executees toutes les mTs secondes : une serie de TFDs est donc
calculee, deux TFDs successives ayant en commun N m echantillons. Il y a donc un
recouvrement14 des deux ensembles dechantillons.
2. Des variantes sont possibles. Par exemple, lestimation du spectre de x peut etre faite non
pas a partir dun seule TFD mais en faisant la moyenne de plusieurs TFDs.
3. Lutilisation dun analyseur de spectre ou du bloc Spectrum Scope ne peut donner de
resultat correct que si
La periode dechantillonnage ;
La fenetre de ponderation ;
Le nombre dechantillons N pour la TFD ;
lintervalle de temps mTs entre deux TFDs
sont correctement choisis. Ce document de cours vous a presente tous les elements dispo-
nible pour ce choix : il ne vous reste plus qua reflechir...

5.5 En resume
Afin dameliorer linteractivite de lenseignement, le lecteur est invite a ecrire le resume de ce
chapitre de cours en completant le tableau 5.4 : merci dy indiquer quelles sont relations entre le
spectre dun signal analogique x, le spectre du signal echantillonne x et la TFD correspondant.
14
En Anglais, overlap.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 139

SPECTRE Signal discret TFD


Signal continu

Signal discret X

TAB . 5.4 Tableau de relations entre les spectres a completer

5.6 Annexe du chapitre : exemples de scripts Matlab


Pour lexemple page 129, le script Matlab ci-dessous permet dobtenir la figure 5.18 et la
figure 5.19.

% Trace de la courbe representative de x(t)

Ts = .125;
tfinal = 5;

t = 0:.01:(tfinal-Ts);
xt = t.2.*exp(-3*t);

figure, plot(t, xt);


hold on

% Trace sur la meme figure des echantillons

kTs = 0:Ts:(tfinal-Ts);
N = length(kTs);
xkTs = kTs.2.*exp(-3*kTs);

stem(kTs, xkTs, .)
140 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

% Calcul de la TFD

Xn = fft(xkTs);

% Representation des points du module du spectre X


% obtenu a partir du calcul de la TFD

figure, stem( (0:(N-1))/N/Ts, Ts*abs(Xn), b. )


hold on

% Trace sur la meme figure de la courbe caracteristique


% du module du spectre X

freq = (-1/2/Ts):.01:(+1/2/Ts);
Xfreq = 2*abs(1./(sqrt(-1)*2*pi*freq+3).3);

plot(freq-1/Ts,Xfreq,k- ); plot(freq,Xfreq,k- );
plot(freq+1/Ts,Xfreq,k-)

stem( ((-N/2):-1)/N/Ts, Ts*abs(Xn((N/2+1):N)), r.)


Chapitre 6

Filtrage numerique

Le filtrage frequentiel est une operation importante en traitement du signal. Dans le chapitre 3,
section 3.4, nous avons etudie le filtrage frequentiel analogique, ce qui correspond a un systeme de
convolution continu. Neanmoins, une part importante et toujours croissante de systemes techno-
logiques incorpore des systemes delectronique numerique, ces systemes incluant de nombreuses
operations de filtrage. Dans ce contexte, le filtrage frequentiel numerique est largement plus utilise
que le filtrage frequentiel analogique. Par exemple, le filtrage qui est effectue lors de la compres-
sion MP3 est en realite un filtrage numerique et non analogique. Cependant, les filtres analogiques
restent incontournables pour realiser des filtres anti-repliements ou encore1 pour des applications
pour lesquelles la rapidite est tres importante.

Ce chapitre sinteresse donc au filtrage frequentiel numerique qui travaille sur des signaux
discrets. Apres avoir defini les systemes de convolution discrets (section 6.1), la conception de
deux grandes classes de filtres sera abordee : les filtres a Reponse Impulsionnelle Infinie ou filtres
RIIs (section 6.2) et les filtres a Reponse Impulsionnelle Finie ou filtres RIFs (section 6.3).

6.1 Convolution discrete


6.1.1 Produit de convolution discret et systemes de convolution discrets
Tout comme les systemes de convolution continus (chapitre 3) etaient associes au filtrage
analogique, la mise au point de systemes de filtrage numerique est basee sur les systemes de
convolution discrets definis par la distribution :
+
X

h = hi iTs
i=

qui, a une entree


+
X
x = xm mTs
m=

associe la sortie
+
X
y = yn nTs
n=

1
Ce qui est de moins en moins vrai.

141
142 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

telle que
y = h x . (6.1)
Ts designe ici la periode dechantillonnage.

A partir de lequation (6.1), peut-on trouver une relation qui lie directement les yn , hi et xm ? Pour
cela, on a :
+
X X+
y = h x = hi xm iTs mTs
m= i=
+
X +
X
= hi xm (i+m)Ts
m= i=
+ +
!
X X
= hi xni nTs .
n= i=

+
X
Par suite, puisque y = yn nTs ,
n=

+
X
yn = hi xni .
i=

Cette expression definit le produit de convolution discret ainsi que le systeme de convolution
discret associe.

Exemple Soit le signal discret x = . Il peut sexprimer par x0 = 1 et xm = 0 pour m 6= 0. Par


suite, la sortie y = h x est donnee par :
+
X
yn = hi xni = hn .
i=

h est bien la reponse impulsionnelle du systeme de convolution.

On parle de systeme de convolution :


Causal si
i < 0, hi = 0.

a Reponse Impulsionnelle Finie sil existe imin imax tels que

i < imin , hi = 0 et i > imax , hi = 0.

Abreviation en Francais RIF et en Anglais FIR.


a Reponse Impulsionnelle Infinie sil nest pas a reponse impulsionnelle finie. Abreviation en
Francais RII et en Anglais IIR.

Remarque Un systeme de convolution continu defini par une fonction de transfert F (s) reelle
rationnelle en s ne peut pas avoir une reponse impulsionnelle finie. Une reponse impulsionnelle
finie est donc une specificite des systemes discrets.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 143

6.1.2 Systeme de convolution discret et fonction de transfert


Soient x et y tels que y = h x . Nous avons vu dans la sous section 5.1.2 que la trans-
formee en Z des signaux discrets sobtenait a partir de leur transformation de Laplace suivi du
changement de variable z = eTs s . Par suite, avec L qui represente la transformee de Laplace et en
utilisant (3.5), page 70 :
L[y ] = L[h ]L[x ]
se reecrit :
Y (z) = F (z)X(z)
avec !
+
X +
X +
X +
X
iTs s
F (z) = L hi iTs = hi L (iTs ) = hi e = hi z i . (6.2)
i= i= i= i=

F (z) definit la fonction de transfert associee au systeme de convolution discret. Dans le cas dun
RIF :
iX
max

F (z) = hi z i .
i=imin

Dans beaucoup de cas de systemes de convolution causal a RII, la fonction F (z) peut sexprimer
de la facon suivante :
Xnb
bj z j
j=0
F (z) = na (6.3)
X
l
al z
l=0

avec a0 = 1. Le systeme de convolution discret correspond a la fonction de transfert F (z) est


stable si les racines du polynome au denominateur de F :
na
X
al z l
l=0

sont de module strictement inferieur a 1. Les racines de ce polynome sont appelees poles de la
fonction de transfert.

Linteret de la formulation (6.3) apparat lorsque lon revient dans le domaine temporel. En
effet, Y (z) = F (z)X(z) se reecrit :
na
! nb
!
X X
al z l Y (z) = bj z j X(z)
l=0 j=0

soit nb
na
X X
l
al z Y (z) = bj z j X(z) (6.4)
l=0 j=0

Or, dapres la sous section 5.1.2, z l Y (z) est la transformee en Z du signal discret
n=+
X
ynl nTs .
n=
144 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Lequation (6.4) est donc obtenue par transformee en Z de :

na n=+
! nb n=+
!
X X X X
al ynl nTs = bj xnj nTs (6.5)
l=0 n= j=0 n=

ce qui se reecrit en echangeant les sommations :

n=+ na
! n=+ nb
!
X X X X
al ynl nTs = bj xnj nTs (6.6)
n= l=0 n= j=0

ce qui mene a :
na
X nb
X
al ynl = bj xnj . (6.7)
l=0 j=0

Puisque a0 = 1, on obtient ainsi la relation de recurrence :


nb
X na
X
yn = bj xnj al ynl . (6.8)
j=0 l=1

Lequation (6.2) elle correspond a la definition du produit de convolution :

+
X
yn = hi xni .
i=

Levaluation de yn a partir de cette equation demande un nombre infini doperations alors que
levaluation de yn par lequation (6.8) nen demande quun nombre fini.

Remarque Lequation (6.7) peut etre directement obtenue a partir de lequation (6.4) en replacant
les termes du type z l Y (z) par ynl .

Exercice Le systeme de convolution defini par la fonction de transfert F (z) = z + z 1 est-il


causal ?

La reponse frequentielle H dun systeme de convolution discret est la transformee de Fourier


de sa reponse impulsionnelle h . Par suite, la reponse frequentielle H est periodique de periode
1
Ts
. Si un systeme de convolution discret, causal et stable, est defini par une fonction de transfert
F (z) alors
R, H () = F (e2iTs ).

XXXXX

On peut etablir un parallele entre les fonctions de transfert continues et les fonctions de transfert
discretes, voir le tableau 6.1 et la figure 6.1.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 145

Continu Discret
Z + +
X
Produit de convolution h( )x(t )d hi xni
i=
s= T1 ln(z)
s
Fonction de transfert Fc (s) F (z)
z=eTs s

poles de Fc (s) poles de F (z)
Stabilite
a partie reelle < 0 de module < 1

Reponse frequentielle Fc (2i) F (e2iTs )

TAB . 6.1 Parallele continu discret

2
1.5

/T
s
1.5
1

1
0.5

0.5
0

0
0.5

0.5
z=eTs s 1

1
1.5
/T
s

1.5 s= T1 ln(z) 2
s
2 1.5 1 0.5 0 0.5 1 1.5 2

2
2 1.5 1 0.5 0 0.5 1 1.5 2

F IG . 6.1 Localisation des poles des fonctions de tranfert continu et discrete correspondantes
146 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

6.2 Conception de filtres a reponse impulsionnelle infinie


Dans la sous section 3.4.3, page 77, nous avons etudie la conception de filtres frequentiels
continus. Lidee est de concevoir un filtre frequentiel discret en utilisant les relations qui existent
entre les systemes continus et les systemes discrets. Pour cela, on va adopter la demarche suivante :
1. Conception dun filtre continu qui respecte le gabarit frequentiel a satisfaire : le resultat de
cette etape est une fonction de transfert continue Fc (s) ;
2. Determination dune fonction de transfert discrete F (z) equivalente a Fc (s).
La premiere etape ayant ete traitee dans la sous-section 3.4.3, nous nous interessons a la seconde
etape.
Dapres le tableau 6.1, on aura equivalence avec F (z) definie par
 
1
F (z) = Fc ln(z) .
Ts
Fc (s) etant une fonction reelle rationnelle en s, la fonction de transfert F (z) ainsi obtenue ne le
sera pas en z. Or pour pouvoir realiser une fonction de transfert discrete, il faut y associer une
equation de recurrence (6.8), ce qui ne peut se faire que si F (z) est une fonction reelle rationnelle
en z, cest-a-dire de la forme (6.3). Il faut donc trouver une autre methode.

Lidee est de remplacer z = eTs s s = T1s ln(z) par une relation rationnelle entre s et z (appelee
transposition), de facon a ce que, quand s est remplacee par cette expression de z dans Fc (s), la
fonction F (z) soit rationnelle en z. De plus, le choix de la transposition doit assurer que la fonction
de transfert continue de depart et la fonction de transfert discrete obtenue soient equivalentes. Par
equivalente, il faut comprendre que :
1. La fonction de transfert discrete equivalente est stable si et seulement si la fonction de
transfert continu lest : un filtre ne peut etre que stable ;
2. Les reponses frequentielles associees aux deux fonctions de transfert doivent concider au
mieux : la finalite dun filtre est de respecter un gabarit frequentiel.

Plusieurs transpositions sont classiquement considerees :

z1
Rectangles inferieurs s Ts

z1
Rectangles superieurs s Ts z

2 z1 1+ T2s s
Transformation bilineaire s Ts z+1
soit z 1 T2s s

Elles sont obtenues a partir de lestimation de lintegrale dun signal continu calculee a partir
du signal discret issu de lechantillonnage de ce signal continu. Lintegration est un systeme de
convolution avec h = . De plus, si y est lintegrale du signal continu x nul pour t < 0 alors

t 0, y(t) = x(t)
y(0) = 0
Par suite, en prenant la Transformee de Laplace (monolaterale), on obtient
Y (s) 1
F (s) = = .
X(s) s
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 147

Signal a integrer Rectangles inferieurs

1
x x
x* x*
0.9

1
0.8

0.7
0.8

0.6

0.5 0.6

0.4

0.4
0.3

0.2
0.2

0.1

0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

Rectangles superieurs Trapezes

x x
x* x*

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

F IG . 6.2 Differentes methodes dapproximation de lintegrale


148 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

La methode des rectangles inferieurs (respectivement superieurs) consiste a approcher lintegra-


le a linstant kTs par la somme de lapproximation de lintegrale a linstant precedent (k 1)Ts
et de la surface du rectangle ayant pour base Ts et pour hauteur lamplitude du signal x en
t = (k 1)Ts (resp. en t = kTs ), voir figure 6.2. Dans la methode des trapezes (qui corres-
pond a la transformation bilineaire), le rectangle est remplace par le trapeze defini figure 6.2. Soit
ya lapproximation de lintegrale. Alors dans le cas des rectangles inferieurs :
Ya (z) Ts
yak = yak1 + Ts xk1 (1 z 1 )Ya (z) = Ts z 1 X(z) X(z)
= z1

1 Ts z1
Formellement, lapproximation de s
par z1
revient a remplacer s par Ts
.

Exercice Etablir les formules pour les autres methodes.

La transformation bilineaire est aussi appelee transformation de Tustin. Avec les deux premieres
transpositions, la stabilite de la fonction de transfert F (z) obtenue a partir de Fc (s) nest pas
forcement equivalente a la stabilite de Fc (s), ce qui nest pas le cas de la troisieme puisquavec
cette transposition :
Re(s) < 0 |z| < 1
voir la figure 6.3. Les deux premieres transpositions sont donc eliminees. Appelons Fb (z) la fonc-
tion de transfert discrete obtenue a partir de Fc (s) par la transformation bilineaire. Que peut-
on dire de la reponse frequentielle de Fb (z) par rapport a la reponse frequentielle de Fc (s) ? La
reponse frequentielle de Fc (s) est obtenue en remplacant s par 2icont ou cont est la frequence
pour le temps continu. La reponse frequentielle de Fb (z) est obtenue en remplacant z par e2iTs .
Si Fb (z) avait ete obtenue en remplacant s par T1s ln(z) alors on aurait forcement cont et qui
correspondent. Par contre, ici comme
2 z1
s
Ts z + 1
on a, apres simplification2 :
1 1
cont = Ts
tan (Ts ) = Ts
arctan (Ts cont ) (6.9)

Au voisinage de = 0, on a au premier ordre3 : cont . La courbe representative de cont en


fonction de est presentee figure 6.4 pour Ts = 1s. On constate que cont pour 0.1 Hz,
soit 5 fois moins que la frequence 2T1 s . De plus,
 
1
cont [0, +[ 0,
2Ts
Moralite, les spectres de Fb (z) et de Fc (s) vont etre tres proches en basses frequences. Ils vont
differer quand la frequence crot. La deformation est decrite par la relation (6.9).
2
Posons
2 z1
w= .
Ts z + 1
Ici w joue le role de la variable de Laplace s. Par suite, pour passer dans le domaine frequentiel, on pose w = 2icont
et z = e2iTs . La relation precedente secrit alors :
2 e2iTs 1 2 eiTs eiTs 2
2icont = 2iT
= = i tan (Ts )
Ts e s + 1 Ts eiTs + eiTs Ts
ce qui donne la relation (6.9).
3
Au voisinage de x=0, tan(x) x.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 149

z1
Rectangles inferieurs s
Ts

+1

z1
Rectangles superieurs s
Ts z

+1

2 z1
Transformation bilineaire s
Ts z + 1

+1

F IG . 6.3 Zone de localisation des poles de la fonction de transfert discrete obtenue par transpo-
sition dune fonction de transfert continue stable
150 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Trac de cont en fonction de pour Ts=1s


Trac de en fonction de pour T =1s
cont s
20
0.7
18
0.6
16

14 0.5

12
0.4

cont
cont

10

0.3
8

6 0.2

4
0.1
2

0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7

1
F IG . 6.4 Trace de cont = Ts
tan (Ts ) (zoom en 0 a droite)

Exemple Avec Ts = 1 s et
1
Fc (s) =
12s + 1
on obtient :
z+1
. Fb (z) =
25z 23
La relation entre leurs reponses frequentielles en module est presentee figure 6.5.

Mise en uvre pour la conception de filtres Le gabarit frequentiel que doit satisfaire le filtre
numerique est defini en fonction de la frequence . Cependant, voir page 77, on concoit dans une
premiere etape un filtre continu, le filtre frequentiel discret etant ensuite obtenu par transposition
du filtre continu en utilisant la transformation bilineaire. Comme les reponses frequentielles sont
deformees lors de loperation de transposition, il est necessaire de choisir pour la conception du
filtre continu un gabarit frequentiel qui soit relie au gabarit frequentiel du filtre numerique par la
transformation bilineaire.
Le processus de conception du filtre numerique presente en debut de section est donc modifie
de la facon suivante :
1. Transposition du gabarit frequentiel dans le domaine frequentiel cont a laide des rela-
tions (6.9) ;
2. Conception du filtre continu Fc (s) qui satisfait le gabarit frequentiel ainsi obtenu par les
methodes de la sous section 3.4.3, page 77 ;
3. Transposition par la transformation bilineaire du filtre Fc (s) en le filtre numerique F (z)
recherche en utilisant les relations definissant la transformation bilineaire.

Exemple de conception de filtre numerique On souhaite concevoir un filtre numerique passe-


bas de periode Ts = 0.005 s qui verifie le gabarit frequentiel defini par :
Une bande passante : [0, c ] avec c = 50 Hz ;
Une bande de transition assez courte : moins de 10 Hz ;
Des oscillations sont permises dans la bande passante, damplitude inferieure a 0.056 ;
Dans la bande de rejection, lamplitude doit etre inferieure a 0.1.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 151

1.5 1.5

1 1
cont

cont


3
0.44 0.44
2
0 0
1 0.5 0 0 0.1 0.2 0.3 0.4 0.5 0.6
|F (2 i )|
c cont

1
)|
2 i

0.0303 0.5
|F (e
b

1
0
0 0.3 0.5 0.6

F IG . 6.5 Relation entre les reponses frequentielles en module dune fonction de transfert continu
et de sa transposition par la transformation bilineaire
152 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Le filtre continu correspondant devra verifier le gabarit transforme par la relation (6.9) ce qui
revient a modifier la bande passante et la bande de transition :
La frequence c = 50 Hz est remplace par ccont = T1 s tan (Ts c ) ce qui donne ccont =
63.66 Hz ;
La bande de transition [50, 60] est remplace par la bande [63.66, 87.62] Hz.
Un filtre elliptique Fc (s) est mis au point a laide des fonctions Matlab ellipord et
ellip. On obtient :
0.09998(s2 + 2.206 105 )(s2 + 7.934 105 )
Fc (s) = 2 .
(s + 396s + 1.105 105 )(s2 + 58.05s + 1.679 105 )
Son spectre en amplitude est represente en pointilles figure 6.6. Lapplication de la transformation
2 i T
Spectre en amplitude de F(e s) en fonction de
et de F (2 i ) en fonction de
c cont cont
1
2 i T
|F(e s)|
0.9
|F (2 i )|
c cont
0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 10 20 30 40 50 63.7 70 80 90 100

cont
c c

F IG . 6.6 Reponses frequentielles en module de Fc (2icont ) en fonction de cont et de F (e2iTs )


en fonction de
bilineaire (fonction Matlab bilinear) permet dobtenir le filtre numerique correspondant :
0.24099(z 2 + 1.329z + 1)(z 2 + 0.3187z + 1)
F (z) = 2 .
(z 0.2311z + 0.2613)(z 2 + 0.04472z + 0.8677)
On peut verifier sur la figure 6.6 que ce filtre respecte bien le gabarit frequentiel desire. Le script
Matlab permettant sa conception est presente dans la section 6.5.

6.3 Conception de filtres a reponse impulsionnelle finie


Un inconvenient majeur des filtres RII est que leur phase nest pas une fonction affine en la
frequence , voir, par exemple, la phase du filtre concu dans lexemple precedent et representee
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 153

figure 6.7. Or, comme cela a ete discute page 79, il est souhaitable que la phase () dun filtre
2 i T
Phase de F(e s ) avec T =200s
s

)) en radians
1

s
2 i T
arg(F(e 1

3
0 20 40 60 80 100

F IG . 6.7 Reponse frequentielle en phase (radians) de F (e2iTs ) en fonction de

soit une fonction affine en la frequence , cest-a-dire que le temps de groupe :


1 d
() = () (6.10)
2 d
soit constant. Le gros interet des filtres RIFs est quil est possible de les concevoir en leur imposant
un temps de groupe constant. Les classes de filtres RIFs a temps de groupe constant considerees
correspondent a des filtres RIFs dont les N echantillons non nuls de la reponse impulsionnelle h
presentent une symetrie ou une anti-symetrie4 par rapport5 a Ts , voir la figure 6.8.

Les filtres RIFs presentent deux autres avantages importants :


1. Ils sont forcement stables puisque tous leurs poles sont forcement en 0. En effet,
iX
max

iX
hi z imax i
max
i=imin
F (z) = hi z i = .
i=imin
z imax

2. Ils peuvent etre realises efficacement par des systemes delectronique numerique (voir fi-
gure 6.9) et leur fonctionnement est moins sensible aux erreurs liees a la precision finie6 .
4
Sachant quen pratique, lordre dun filtre RIF peut etre de plusieurs centaines, linteret de cette (anti) symetrie
est de limiter le nombre de coefficients a stocker au moment de la mise en uvre du filtre.
5
= Ts (N 21) .
6
Sur les ordinateurs et les systemes delectronique en general, les nombres reels sont representes par des
nombres binaires. Cette representation peut etre a virgule flottante ou a virgule fixe. Par exemple, dans le cas dune
representation a virgule fixe en complement a 2, un nombre reel est represente par n + m bits (prenant la valeur 0 ou
1), n bits bn1 , , b0 codant la partie entiere et m bits b1 , , bm codant la partie fractionnaire tels que :
i=(n2)
X
X = bn1 2n1 + bi 2i
i=m

Il apparait quon ne peut exactement coder que certains nombres reels appartenant a lintervalle [2n1 , 2n1
2m ]. Une erreur apparat donc dans le codage des nombres reels. De plus, des erreurs vont apparatre dans le resultat
154 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

F IG . 6.8 Guy Binet


c

F IG . 6.9 Realisation possible dun filtre FIR


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 155

Linconvenient majeur des filtres RIFs par rapport aux filtres RIIs est que pour satisfaire un gabarit
frequentiel donne, un filtre RIF sera dordre beaucoup plus important quun filtre RII. Dans ce qui
suit, on sinteresse a la conception dun filtre de la forme :
N
X 1
F (z) = hi z i .
i=0

Contrairement aux filtres a reponse impulsionnelle infinie, les filtres a reponse impulsionnelle
finie ne peuvent pas etre concus par transposition de filtres continus. En effet, dapres la remarque
page 142, un filtre continu ne peut avoir une reponse impulsionnelle finie. Il est donc necessaire
de trouver une methode alternative qui va etre une methode directe7 .

6.3.1 Conception par la methode du fenetrage


La methode est presentee pour la conception dun filtre passe-bas. Un filtre passe-bas ideal de
frequence de coupure c peut etre defini par la reponse frequentielle presentee figure 6.10. Dapres
la sous-section 3.4.2, la reponse indicielle correspondante est donnee par :
h (t) = 2c sinc(2c t).Ts PgnTs
et donc
k Z, hk = 2c Ts sinc(2c kTs ). (6.11)
Comme en continu8 cette reponse impulsionnelle nest pas causale, voir la figure 6.11 avec Ts =
10 s et c = 8T1 s . De plus, elle est de longueur infinie. Lidee est de
1. Tronquer cette reponse impulsionnelle de facon symetrique (pourquoi ?) en considerant plus
que les 2M + 1 echantillons {hk }k{M,...,M } , voir figure 6.12, gauche ;
2. La translater vers la droite de facon a obtenir une nouvelle reponse impulsionnelle h qui
sera causale : 
k {0, . . . , 2M } hk = hkM
sinon hk = 0
voir figure 6.12, droite.
La symetrie de la reponse impulsionnelle obtenue indique bien que le temps de groupe est constant.
La reponse frequentielle du filtre RIF F (z) finalement obtenue est representee figure 6.13.
doperations arithmetiques sur des representations a virgule fixe en complement a 2.
Imaginons quon desire calculer les echantillons de la sortie y dun filtre pour lentree x. Dans le cas ou le filtre
est RII, lechantillon yn peut etre calcule a partir de lequation de recurrence (6.8) :
nb
X na
X
yn = bk xnk al ynl .
k=0 l=1

On voit quil y a risque de propagation des erreurs de calcul puisque yn depend de ynl . Dans le cas dun filtre RIF,
yn peut etre calcule a partir de lequation :
N
X 1
yn = hi xni .
i=0
Dans ce cas la, puisque yn ne depend pas de ynl , il ny a pas de risque de propagation des erreurs.
Par suite, les erreurs introduites par les representations binaires et par les operations arithmetiques sur ces
representations binaires sont plus critiques dans le cas dun filtre RII que dun filtre RIF.
7
Cest-a-dire sans passer par lintermediaire dun filtre continu via une operation de transposition. De telles
methodes existent aussi pour la conception de filtres continus. Cependant, elles sortent du cadre de ce cours.
8
Voir la sous section 3.4.2.
156 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Filtre passebas discret

F(e2 i Ts)

0
/2 c s/2
s c

F IG . 6.10 Reponse frequentielle dun filtre passe-bas discret ideal

Rponse impulsionnelle
0.03

0.025

0.02

0.015
k

0.01
h

0.005

0.005

0.01
50 40 30 20 10 0 10 20 30 40 50
k

F IG . 6.11 Reponse impulsionnelle dun filtre passe-bas discret ideal


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 157

Rponse impulsionnelle tronque avec M=24 Rponse impulsionnelle tronque et translate


0,3 0,3

0,2 0,2

0,1 0,1

0 0

0,1 0,1
50 40 30 20 10 0 10 20 30 40 50 20 10 0 10 20 30 40 50 60
k k

F IG . 6.12 Reponse impulsionnelle tronquee (gauche) puis translatee (droite)

1.5
)|

1
s
2 i T
|F(e

0.5

0
0 0.005 0.0125 0.02 0.025 0.03 0.035 0.04 0.045 0.05

arg(F(e2 i Ts)) en radians

0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05

F IG . 6.13 Reponse frequentielle du filtre passe-bas RIF


158 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

On observe de petites oscillations au niveau du spectre en amplitude. Quelle est leur origine ?
Nous sommes face a un phenomene bien connu puisque nous lavons deja rencontre en continu
dans le chapitre 3, section 3.5, page 87, ou encore dans le chapitre 5, sous section 5.4.3, page 136.
Tout comme en continu, en discret, le fait de tronquer la reponse impulsionnelle revient a effec-
tuer une operation de filtrage temporel avec une fenetre rectangulaire : la reponse frequentielle
correspondant a la reponse impulsionnelle tronquee consiste alors en le produit de convolution
par la reponse frequentielle de la reponse impulsionnelle initiale par la reponse frequentielle de
la fenetre rectangulaire, voir la figure 3.34, page 90. La degradation est dautant plus importante
que la reponse frequentielle de la fenetre seloigne de celle de limpulsion de Dirac. Nous avons
vu, sous-section 5.4.3 quil y avait des fenetres plus interessantes de ce point de vue la : la fenetre
dHanning et la fenetre de Hamming. En discret, leur expression est donnee par, avec N la lon-
gueur de la fenetre de troncature en periode dechantillonnage :
    
2k k 1
fk = (1 ) cos rect .
N N 2

avec = 0.5 pour la fenetre de Hanning et = 0.54 pour la fenetre de Hamming. Dautres
fenetres sont possibles : triangulaire, Blackman, Kaiser, etc. - voir la litterature specialisee. La

Rponse impulsionnelle tronque fentre rectangulaire


0.3 1.5

0.2
)|

1
s
2 i T

0.1
|F(e

0.5
0

0.1 0
25 20 15 10 5 0 5 10 15 20 25 0 0.005 0.0125 0.02 0.025 0.03 0.035 0.04 0.045 0.05
k
Rponse impulsionnelle tronque fentre de Hamming
0.3 4
)) en radians

0.2 2

0
s

0.1
2 i T

0 2
arg(F(e

0.1 4
25 20 15 10 5 0 5 10 15 20 25 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
k

F IG . 6.14 Conception du filtre RIF avec fenetre de Hamming

fenetre de Hamming est utilisee pour lexemple precedent : sur la figure 6.14, a gauche, on peut
observer la reponse impulsionnelle tronquee avec la fenetre de Hamming ; a droite est presentee
la reponse frequentielle du filtre RIF finalement obtenu a partir de cette reponse impulsionnelle
tronquee. On observe que les oscillations ont effectivement disparues.

Si on observe levolution de la phase en fonction de la frequence, on remarque quelle varie


lineairement. Dapres la formule (6.10), le temps de groupe est denviron 240 secondes. Par suite,
pour tout signal sinusodal applique a lentree du filtre, le signal de sortie presentera un retard
denviron 240 secondes et cela quelque soit la frequence du signal sinusodal. Pour observer ce
phenomene, on realise le schema Simulink represente figure 6.15. On determine les sorties du
filtre RIF pour deux entrees sinusodales correspondant a deux frequences differentes : 0 = 0.01
Hz et 0 = 0.005 Hz. On constate que dans les deux cas, il y a bien un retard de 240 secondes
entre le debut de lapplication du signal dentree et letablissement du signal de sortie.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 159

hktronc(z)
1
Sine Wave Discrete Filter Scope

Scope 1

F IG . 6.15 Simulation du filtre RIF

Entree sinus 0 = 0.01 Hz Entree sinus 0 = 0.005 Hz


1 1

0.8

0.6
0.5
0.4

0.2

0 0

0.2

0.4
0.5
0.6

0.8

1 1

0 200 400 600 800 1000 0 100 200 300 400 500 600 700 800 900 1000

F IG . 6.16 Sorties (bleu) correspondant a deux entrees sinusodales a deux frequences differentes
160 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

On peut traiter dautres filtres ideaux en les exprimant comme des combinaisons lineaires
de filtres passe-bas. Par exemple, si on considere le filtre passe-bande decrit figure 6.17, il peut
etre exprime comme un filtre passe-bas de frequence de coupure 2 moins un filtre passe-bas de
frequence de coupure 1 . Une autre approche a ete discutee page 81.

Filtre passebande discret

0
/2 2 1 1 2 /2
s s

2
1 0 1 2

F IG . 6.17 Reponse frequentielle dun filtre passe-bande discret ideal

6.3.2 Conception par echantillonnage frequentiel


La methode qui a ete presentee dans la sous-section precedente est basee sur le fait que lon
soit capable de calculer litteralement9 lexpression de la reponse impulsionnelle a partir de sa
reponse frequentielle, ce qui peut etre difficile voire impossible pour des reponses frequentielles
de forme complexe. Dans ce cas-la, il est possible de substituer a cette etape le calcul numerique
de la reponse impulsionnelle par TFD inverse en faisant appel a ce qui a ete presente dans la
section 5.4. La reponse impulsionnelle va etre obtenue en :
1. Echantillonnant N points de la reponse frequentielle ;
2. Calculant, a partir de ces echantillons, les N points de la reponse impulsionnelle correspon-
dante a laide de la transformee de Fourier inverse.
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 161

Echantillonnage de la rponse frquentielle, N=32 Mise en forme pour le calcul de la TFD inverse

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
0.06 0.04 0.02 0 0.02 0.04 0.06 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1

Rponse impulsionnelle obtenu par TFD inverse Rponse frquentielle du RIF par TFD inverse
0.3 1.5

0.25

|F(e2 i Ts)|
1

0.2
0.5

0.15
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
0.1

0.05
2
arg(F(e2 i Ts))
0
0

0.05
2

0.1
0 5 10 15 20 25 30 35 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
k

F IG . 6.18 Differentes etapes de la conception par echantillonnage frequentiel

La reponse impulsionnelle sera donc naturellement tronquee. Cette demarche est mise en uvre
sur lexemple de filtre passe-bas de la sous section precedente et defini par la figure 6.11. Les
resultats sont presentes figure 6.18.

La premiere sous-figure en haut a gauche represente la reponse frequentielle du filtre passe-


bas ideal de frequence de coupure c = 0.0125 Hz echantillonnee par 32 points. Afin de pouvoir
appliquer la transformee de Fourier discrete (inverse), il est necessaire de constituer un vecteur
qui contienne les valeurs de la reponse frequentielle pour les frequences positives, puis les valeurs
de la reponse frequentielle pour les frequences negatives (voir la section 5.4) : cette operation de
permutation donne la sous-figure en haut a droite. On calcule ensuite la transformee de Fourier
discrete inverse, ce qui donne un vecteur contenant un premier vecteur des valeurs de la reponse
impulsionnelle pour les temps positifs puis un second vecteur des valeurs de la reponse impul-
sionnelle pour les temps negatifs. En permutant ces deux vecteurs, on obtient la reponse impul-
sionnelle qui apres translation temporelle (comme dans la sous-section precedente) donne la sous
figure en bas a gauche. Sa reponse frequentielle est representee en bas a droite. Le resultat peut
etre ameliore en appliquant a la reponse impulsionnelle calculee une fenetre de Hamming, voir
discussion sous-section precedente.

Linteret dune telle approche est de permettre daborder des gabarits frequentiels de forme
excentrique, voir le cas traite figure 6.19.

9
Cest-a-dire etablir une relation explicite entre les echantillons hk de la reponse impulsionnelle h et lindice k
telle que (6.11).
162 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Echantillonnage de la rponse frquentielle, N=32 Mise en forme pour le calcul de la TFD inverse
1 1
chantillonnage
0.9 rponse frquentille dsire 0.9

0.8 0.8

0.7 0.7

0.6 0.6

0.5 0.5

0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1

0 0
4 3 2 1 0 1 2 3 4 0 1 2 3 4 5 6 7

Rponse impulsionnelle obtenu par TFD inverse


0.7
1.2
0.6 1

)|
0.8

s
2 i T
0.5
0.6

|F(e
0.4 0.4
0.2
0.3
0
0 0.5 1 1.5 2 2.5 3
0.2

0.1

2
0 arg(F(e2 i Ts))

0.1 0

0.2
2
0.3
0 5 10 15 20 25 30 35 0 0.5 1 1.5 2 2.5 3
k

F IG . 6.19 Differentes etapes de la conception par echantillonnage frequentiel

6.4 Une remarque en guise de conclusion


Dans la section 6.5, sont presentes des scripts Matlab qui permette la conception et lanalyse
de filtre frequentiel discrets. Ils font appel a des fonctions de la Signal Processing Toolbox qui
regroupe un ensemble de fonctions Matlab specialisees dans le traitement du signal. Cette bote
a outils propose aussi une interface graphique appelee fdatool qui permet de plus confortable-
ment concevoir les filtres numeriques, voir figure 6.20. Ce qui est presente dans ce document de
cours permet de comprendre la majorite des methodes associees a cette interface graphique.

6.5 Annexe du chapitre : exemples de script Matlab


6.5.1 Conception de filtres RIIs
Le programme Matlab ci-dessous permet de calculer les differents filtres de lexemple page 150
et dobtenir la figure 6.6. Sur le choix de Rp et de Rs, voir section 3.7.2.

Rp = .5;
Rs = 20;
nupass = 50; % frequence de fin de bande passante
nustop = 60; % frequence de debut de bande de rejection

Ts = 1/200; % Periode dechantillonnage

% Caracteristique des gabarits en temps continu


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 163

F IG . 6.20 Interface graphique fdatool de Matlab

nucontpass = 1/pi/Ts * tan(pi*Ts*nupass);


nucontstop = 1/pi/Ts * tan(pi*Ts*nustop);

% Generation du vecteur de 0 a la frequence de Shannon


% avec un pas de 0.1
nu=0:.1:1/2/Ts;

nucont = 0:.1:1000;

% Calcul de lordre du filtre elliptique et de sa pulsation


% de coupure pour satisfaire le gabarit frequentiel
[n, wn] = ellipord(2*pi*nucontpass, 2*pi*nucontstop, Rp, Rs, s);
% Calcul des coefficients des polynomes numerateur et denominateur
% du filtre elliptique
[Bc, Ac] = ellip(n, Rp, Rs, wn, s);

% Transposition par la bilineaire


[Bb, Ab] = bilinear(Bc, Ac, 1/Ts);

%Calcul des reponses frequentielles


Hc = freqs(Bc, Ac, 2*pi*nucont);
Hb = freqz(Bb, Ab, nu, 1/Ts);

% Trace des modules des reponses frequentielles


figure, plot(nu, abs(Hb)), hold on, plot(nucont, abs(Hc), g--);
164 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

% Choix des variations en abscisses et en ordonnees


axis([0, 100, 0, 1]);

6.5.2 Conception de filtres RIFs


Le programme Matlab ci-dessous permet de calculer les differents filtres de la section 6.3.1.

Ts = 10;
nu_c = 1/8/Ts;

% Representation de 99 points de la reponse impulsionnelle du filtre


% passe-bas ideal discretisee
N = 50;
k = -(N-1):(N-1);
hk = 2*nu_c*sinc(2*nu_c*k*Ts)*Ts;
figure, stem(k,hk);

% Troncature pour ne conserver que 49 points


M = 24
ktronc = -(M):(M);
hktronc = 2*nu_c*sinc(2*nu_c*ktronc*Ts)*Ts;
figure, stem(ktronc,hktronc);

% Translation vers la droite


figure, stem(ktronc+M,hktronc);
hold on
stem((2*M+1):3*M, zeros(1,M));

% Reponse frequentielle du filtre RIF


[Hz,F] = freqz(hktronc,1,1000,1/Ts);

figure, subplot(211), plot(F, abs(Hz));


subplot(212), plot(F, angle(Hz));

% Amelioration du resultat par fenetre de Hamming


% Coefficients de la fenetre de Hamming
f_k = hamming(2*M+1);

% Application de la fenetre de Hamming aux coefficients


% du filtre RIF
hktronchamming = f_k(:).*hktronc(:);
figure,
subplot(211), stem(ktronc,hktronc),
subplot(212), stem(ktronc,hktronchamming)

% Reponse frequentielle du filtre RIF fenetre


[Hzhamming,F] = freqz(hktronchamming,1,1000,1/Ts);
figure,
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 165

subplot(211), plot(F, abs(Hzhamming));


subplot(212), plot(F, angle(Hzhamming));

Le programme Matlab ci-dessous permet de calculer les differents filtres de la section 6.3.2.

Ts = 10; % periode dechantillonnage


nu_c = 1/8/Ts; % frequence de coupure du filtre passe-bas
nu_s = 1/Ts;

% Nombre total de points echantillonnes sur la reponse frequentielle


Mtot = 25;

% Echantillonnage de la reponse frequentielle


% Pour lintervalle [-nu_s, +nu_s]
nu_ech = linspace(-nu_s/2,+nu_s/2, Mtot+1);
% On elimine la frequence nu_s
nu_ech = nu_ech(1:Mtot);
% Dans lexpression ci-dessous
% (-nu_c <= nu_ech) : comparaison terme a terme du vecteur -nu_c
% et du vecteur nu_ech. Le resultat est un
% vecteur de meme longueur avec le iieme element
% qui vaut 1 si -nu_c(i) <= nu_ech(i), 0 sinon
% .* : effectue la multiplication terme a terme de deux vecteurs
X_ech = (-nu_c <= nu_ech).*(nu_ech <= nu_c);
% Representation de la reponse frequentielle echantillonnee
figure, stem(nu_ech, X_ech,o);

% le vecteur X_ech est decompose en deux : [X_ech_moins, X_ech_plus]


% avec X_ech_moins qui contient les valeurs de la reponse frequentielle
% pour les frequences negatives. Les deux vecteurs sont alors permutes :
% X_ech_swap = [X_ech_plus, X_ech_moins]
X_ech_swap = fftshift(X_ech);
figure, stem(linspace(0,+nu_s,Mtot), X_ech_swap,o);

% Calcul de la transformee de Fourier discrete inverse


xn = ifft(X_ech_swap);
% Permutation des deux moities du vecteur xn
xn_swap = ifftshift(xn);
xn_swap = [xn_swap, xn_swap(1)];
% Representation de la reponse impulsionnelle obtenue
figure, stem(0:(Mtot),xn_swap,o);

% Representation de la reponse frequentielle


[Hzfft,F] = freqz(xn_swap,1,1000,1/Ts);
figure, subplot(211), plot(F, abs(Hzfft));
subplot(212), plot(F, angle(Hzfft));
166 C HAPITRE 5 D E LA NALOGIQUE AU N UM ERIQUE

Lexecution de ce script Matlab permet dobtenir la figure 6.18.


Chapitre 7

Des signaux deterministes aux signaux


aleatoires

La premiere partie de ce chapitre est consacree a la caracterisation des signaux deterministes


discrets basee sur lenergie et sur la puissance, caracterisation qui avait ete presentee dans le cas
des signaux continus chapitre 4. Dans les deux cas, cette caracterisation est importante car elle
sapplique aussi aux signaux aleatoires qui seront introduits dans la seconde partie de ce chapitre.
Le chapitre se termine sur linteret des signaux aleatoires pour la modelisation des signaux reels
avec une application a la telephonie mobile.

7.1 Energie et puissance pour les signaux discrets


Energie et puissance ont ete traitees dans le chapitre 4 dans le cas des signaux continus. Le
tableau 7.1 et le tableau 7.2 resument les memes resultats mais pour les signaux discrets.

7.2 Signaux aleatoires


Les signaux aleatoires sont definis dans le cas continu. Les signaux aleatoires discrets peuvent
etre definis de facon similaire.

7.2.1 Definition
Un signal continu x est dit deterministe si, a chaque instant t, sa valeur x(t) peut etre determinee
de facon certaine par un modele mathematique. Exemple :

t R, x(t) = A sin(2t).

Un signal x est dit aleatoire ou stochastique si a chaque instant t, sa valeur x(t) ne peut pas etre
determinee de facon certaine car dependante du hasard. Cette incertitude provient dun manque
dinformation ou de limpossibilite de modeliser un phenomene du fait de sa trop grande com-
plexite. Un signal aleatoire est aussi appele processus aleatoire. On le note x(t, ) :
t est (generalement) la variable de temps ;
est la variable de lensemble des possibles : elle indique qua chaque instant t, x(t, ) est
une variable aleatoire (reelle).

167
168 C HAPITRE 7 S IGNAUX D ETERMINISTES ET S IGNAUX A L EATOIRES

Energie finie Puissance finie

+ +N
!
X 1 X
Definition Ex = |xk |2 < Px = lim |xk |2 <
k=
N 2N + 1 k=N

+ +N
!
X 1 X
Echange Exy = xk .yk Pxy = lim xk .yk
k=
N 2N + 1 k=N

de puissance :
Densite denergie : 1
 s spectrale
 lim |X(, N )|2
2 , 2s , Sx () |X ()|2 N 2N + 1

X (, N ) = F[x . rect(/(N Ts ))]

Densite spectrale denergie : de puissance :


 interspectre
 X ()Y () lim
1
X(, N )Y (, N )
2s , 2s , Sxy () N 2N + 1

Intercorrelation + +N
!
+ X 1 X
X Rxy (n) = xk+n .yk Rxy (n) = lim xk+n .yk
Rxy = Rxy (n)nTs N 2N + 1 k=N
k=
n=

F[Rxy ] = Sxy F[Rxy ] = Sxy

Autocorrelation + +N
!
+ X 1 X
X Rx (n) = xk+n .xk Rx (n) = lim xk+n .xk
Rx = Rx (n)nTs N 2N + 1 k=N
k=
n=

Rx (0) = Ex Rx (0) = Px

F[Rx ] = Sx F[Rx ] = Sx

TAB . 7.1 Signaux discrets

Discret

y = h x

Syx () = H ()Sx ()

Sy () = |H ()|2 Sx ()

TAB . 7.2 Systemes de convolution discrets et densites spectrales


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 169

40

30

20

10

10

20

30

40
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

40

30

20

10

10

20

30

40
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

30

20

10

10

20

30

40
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

F IG . 7.1 A quoi peut ressembler un signal aleatoire ?

7.2.2 Modelisation
7.2.2.1 Rappels sur les variables aleatoires

Une variable aleatoire reelle X est une application de lensemble des possibles dans un en-
semble inclus dans R. Elle est caracterisee par une fonction de repartition FX qui est la probabilite
pour que X soit inferieure ou egale a un reel x :

FX (x) = Prob(X x).

La densite de probabilite pX mene a la probabilite pour que la variable aleatoire X prenne des
valeurs comprises entre x et x + dx :

pX (x)dx = Prob(x X x + dx) = dFX (x)


Z +
Elle satisfait la relation : pX (x)dx = 1. Deux densites classiques sont la loi uniforme et la

loi gaussienne, voir le tableau 7.3.

Une variable aleatoire est caracterisee par ses moments E[XN ] dordre N definis par :
Z +
N
E[X ] = xN pX (x)dx.

Les deux premiers moments sont importants :


N = 1 : premier moment ou moyenne statistique1 ;
N = 2 : second moment : il permet de definir la variance :
 
V [X] = E (X E[X])2 .
1
La moyenne sur toutes les valeurs possibles de la variable aleatoire.
170 C HAPITRE 7 S IGNAUX D ETERMINISTES ET S IGNAUX A L EATOIRES

Loi uniforme Loi gaussienne


  (xm)2
1
pX (x) = ba rect x(b+a)/2
ba
pX (x) = 1 e
2
2 2

Loi uniforme

Loi gausienne

1/(ba)

0
a b 0
x m
m x m+

TAB . 7.3 Densites de probabilite classiques

Loi uniforme gaussienne


  (xm)2
x(b+a)/2
pX 1
rect 1 e 2 2
ba ba 2

b+a
Moyenne 2
m

(ba)2
Variance 12
2

TAB . 7.4 Premiers moments de lois classiques

On demontre que :
V [X] = E[X2 ] E[X]2 .

Des exemples de moments sont donnes tableau 7.4. On voit quune loi gaussienne est complete-
ment definie par ses deux premiers moments. Si deux variables aleatoires X et Y sont independan-
tes2 alors
E[XN YM ] = E[XN ]E[YM ].

Pour N = M = 1, on obtient la correlation statistique : XY = E[XY].

7.2.2.2 Signaux aleatoires stationnaires

Pour un signal aleatoire x, en notant X(t) la variable aleatoire x(t, ), on peut definir :
lautocorrelation comme la correlation statistique entre les valeurs du signal en deux ins-
tants t1 et t2 :
x (t1 , t2 ) = E[X(t1 )X(t2 )].
2
pX (x|y) = pX (x).
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 171

lintercorrelation comme la correlation statistique entre la valeur dun premier signal x en


un instant t1 et la valeur dun second signal y en un instant t2 :
xy (t1 , t2 ) = E[X(t1 )Y(t2 )].
Puisquun signal aleatoire x est une variable aleatoire qui depend du temps, ses differents mo-
ments dependent du temps. Par exemple :
E[X(ti )] = mx (ti ) et V [X(ti )] = x (ti )2 .
Si on desire determiner une valeur experimentale des moments, il est alors necessaire de repeter
plusieurs fois la meme experience au cours de laquelle le signal x sera mesure. Le temps represente
ici le temps ecoule par rapport au debut de lexperience. Par exemple, la valeur mx (ti ) sera estimee
en faisant la moyenne des valeurs x(ti , ) sur lensemble des experiences, voir la figure 7.2.

F IG . 7.2 Determination experimentale de la moyenne

Stationnarite On appelle signal stationnaire un signal pour lequel les moments sont independants
du temps. Pour ce signal, toutes les variables aleatoires X(ti ) ont meme densite de probabilite px .
La fonction dautocorrelation ne depend plus que de t1 t2 :
x (t1 , t2 ) = x (t1 t2 ).
Un signal aleatoire est stationnaire au sens large si seules la moyenne mx et la variance x2 sont
independantes du temps.

Ergodicite Dans le cas dun signal reel dont on a procede a une seule acquisition lors dune
experience 0 , le probleme est de determiner ses differentes caracteristiques statistiques : mx , x2 ,
etc.. Une idee est que si un signal aleatoire est stationnaire, il est possible davoir une estimation de
la moyenne et de la variance en integrant sur le temps t a partir des valeurs x(t, 0 ) correspondant
a cette seule acquisition :
Z T Z T
1 2 1 2
mx lim 2
x(t, 0 )dt et x lim (x(t, 0 ) mx )2 dt.
T + T T T + T T
2 2
172 C HAPITRE 7 S IGNAUX D ETERMINISTES ET S IGNAUX A L EATOIRES

Par suite, par exemple, on remplace lestimation de la moyenne decrite figure 7.2 par lestimation
decrite figure 7.3.

F IG . 7.3 Notion dergodicite

Sil est legitime de proceder comme cela, on dit que le signal verifie lhypothese dergodicite.
Un signal aleatoire stationnaire est dit ergodique si
Z T
N 1 2
E[X ] = lim x(t, 0 )N dt
T + T T
2

ce qui sexprime pour un signal discret par :


+n
!
1 X
E[XN ] = lim xN .
n 2n + 1 k=n k

De meme :
x ( ) = Rx ( ) et xy ( ) = Rxy ( ).

De plus, on peut demontrer qu


Un signal aleatoire stationnaire et ergodique est necessairement a puissance finie.

Par suite, la classe des signaux a puissance finie permet donc de traiter a la fois de signaux
deterministes et de signaux aleatoires.

7.2.2.3 Un signal aleatoire stationnaire et ergodique important : le bruit blanc


Un bruit blanc3 est le signal aleatoire stationnaire et ergodique dont la densite spectrale de
puissance Sx est constante4 , ce qui est equivalent a ce que son autocorrelation X = Rx soit une
3
Ladjectif blanc vient de lanalogie avec la lumiere blanche dont la puissance est aussi uniformement repartie sur
tout le spectre.
4
Cette affirmation est assez contradictoire et meme incorrecte puisque, dun cote, on affirme que le bruit est un
signal a puissance finie (car ergodique) et, de lautre, on affirme que sa DSP est constante sur tout le spectre ce
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 173

Densit spectrale de puissance dun bruit blanc Autocorrlation dun bruit blanc

S () R ()
x x

0 0

0 0

F IG . 7.4 Bruit blanc

impulsion de Dirac X = X (0), voir figure 7.4. Puisque son autocorrelation est nulle partout
sauf en = 0, la valeur du signal a un instant donne na pas de lien avec la valeur du signal a
un autre instant. Par suite, levolution de ce signal est completement impredictible. Un bruit blanc
discret se definit de la meme facon.

Le bruit blanc peut etre utilise pour modeliser des signaux physiques comme les bruits dori-
gine thermique qui interviennent dans une chane de transmission ou encore les erreurs darrondi
dans un systeme delectronique numerique. Cependant, un bruit blanc a bande spectrale limitee
est un modele de signaux physiques plus plausible. Il est defini par la limitation de sa densite
spectrale de puissance sur une bande de frequence [max , max ] :
 

R, Sx () = S0 rect .
2max
Par suite,
R, Rxx ( ) = 2max S0 sinc (2max ) .

Remarque On associe souvent le terme de gaussien5 a un bruit blanc. Attention, un bruit blanc
peut ne pas etre gaussien tout comme un signal aleatoire gaussien nest pas forcement un bruit
blanc.

7.2.3 Quelques applications


Dans la sous section 4.2, page 106, ont ete presentees une application de lautocorrelation a
lextraction dun signal et une application de lintercorrelation a la mesure dun temps de pro-
pagation. Dans ces deux applications, un signal b a ete introduit pour prendre en compter la
qui implique quil est a puissance infinie et nest donc pas pratiquement realisable ! Lintroduction de la notion de
bruit a ete motivee par la representation dun signal physique qui a la propriete davoir une densite spectrale de
puissance constante sur une tres large gamme de frequences [big , big ], tellement large quon ne peut pas acceder
physiquement a des frequences superieures a big et que de fait on peut considerer la densite de puissance constante
sur lensemble des frequences. Cest pour cela que pour cette premiere introduction au Traitement du Signal, nous
jetterons un voile pudique sur cette contradiction. Dans lenseignement dapprofondissement de seconde annee de
Traitement du Signal, la definition correcte dun bruit blanc sera presentee.
5
cest-a-dire loi de probabilite gaussienne.
174 C HAPITRE 7 S IGNAUX D ETERMINISTES ET S IGNAUX A L EATOIRES

degradation introduite par la transmission, la mesure ou encore la propagation dun signal. Les
elements presentes dans cette section permettent de proposer une representation plus adequate de
b : de part la discussion ci-dessus, b est representable par un bruit blanc.

7.3 Modelisation dun signal par un filtre generateur


Considerons un systeme de convolution discret dont lentree x est un signal aleatoire station-
naire ergodique. Dapres le tableau 7.2,

R, Syx () = H ()Sx ().

Puisque x (k) = Rx (k) et xy (k) = Rxy (k) et que F[Rx ] = Sx et F[Rxy ] = Sxy , on a alors :
X
yx (n) = hi x (n i).
i

Dans le cas ou x est un bruit blanc alors cette relation devient :

yx (n) = hn x (0).

Par suite, a un facteur multiplicatif, la fonction dintercorrelation entre le signal dentree et le


signal de sortie correspond a la reponse impulsionnelle du filtre. Les caracteristiques statistiques
du signal aleatoire de sortie y sont donc uniquement determinees par la reponse impulsionnelle
du filtre discret.

7.3.1 Filtre generateur par la methode de Yule-Walker

bruit- y -
F
blanc

F IG . 7.5 Notion de filtre generateur

Cette remarque est le fondement dune methode de modelisation de signaux aleatoires comme
la reponse dun filtre discret a un bruit blanc de variance 1. Un tel filtre est appele filtre generateur
ou filtre formeur. La question est comment a partir de lacquisition dechantillons dun signal
discret y determiner le filtre generateur correspondant, cest-a-dire le filtre tel que pour une
realisation du bruit blanc appliquee en entree, la sortie soit y . Par simplicite, on sinteresse a
la recherche dun filtre causal de fonction de transfert F (z) sans zero de la forme :

b0
F (z) = n .
XF
i
1+ ai z
i=1
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 175

Il est appele modele AR (Auto Regressif). Lequation de recurrence correspondante secrit alors6 :
nF
X
yk + ai yki = b0 xk . (7.1)
i=1

Lorsque lon dispose de lacquisition des echantillons du signal y , il est possible de calcu-
ler lautocorrelation y (n). Nous allons voir comment a laide de lequation de recurrence il est
possible de relier les coefficients ai du filtre a determiner et lautocorrelation y (n). Pour cela :
nF
!
X
yk+n yk + ai yki = b0 yk+n xk
i=1

Ce qui donne : " #


nF
X
E yk+n yk + ai yk+n yki = E[b0 yk+n xk ]
i=1
Dou nF
X
E[yk+n yk ] + ai E[yk+n yki ] = b0 E[yk+n xk ]
i=1
et donc : nF
X
y (n) + ai y (n + i) = b0 yx (n).
i=1

Or nous avons vu precedemment que : yx (n) = hn x (0). Dou :


nF
X
n Z, y (n) + ai y (n + i) = b0 hn x (0). (7.2)
i=1

Lidee est dexploiter cette equation pour calculer les ai . Or les hn ne sont pas connus puisque
ce sont les echantillons de la reponse impulsionnelle du filtre que lon recherche. Cependant, on
recherche un filtre causal, ce qui implique que pour n < 0, hn = 0. Par suite, en ne choisissant
que les equations (7.2) qui correspondent a n < 0, on obtient :
nF
X
n < 0, y (n) + ai y (n + i) = 0. (7.3)
i=1

Puisquil y a nF coefficients inconnus ai , en utilisant la propriete y (n) = y (n), en ecrivant


sous forme matricielle (7.3) pour n {nF , . . . , 1}, on obtient le systeme lineaire de nF
equations a nF inconnues suivant :
a =
avec

y (0) y (1) y (2) y (nF 1)
y (1) y (0) y (1) y (2) y (nF 2)

y (2) y (1) y (0) y (1) y (2) y (nF 3)

y (3) y (2) y (1) y (0) y (1) y (nF 4)
=



y (4) y (3) y (2) y (1) y (0) y (1) y (nF 5)
y (2) y (1) y (0)

y (nF 2) y (nF 3) y (nF 4) y (1)
y (nF 1) y (nF 2) y (nF 3) y (2) y (0)
6
Cette equation permet dexpliquer pourquoi ce modele est appele auto regressif : il vient du fait que yk est obtenu
par regression lineaire des yki , i allant de 1 a nF .
176 C HAPITRE 7 S IGNAUX D ETERMINISTES ET S IGNAUX A L EATOIRES

et
a1
y (1)
a2
y (2)
a3 ..

.. .
. ..
.. .
a= et =
. y (nF 3)
..
. y (nF 2)

.. y (nF 1)
.
anF y (nF )

Ce systeme dequations lineaires est connu sous le nom dequations de Yule-Walker7 , nom qui
est aussi associe a la methode dobtention du filtre F (z). Pour les amateurs, la matrice est une
matrice de Toeplitz : dans ce cas-la, lalgorithme de Levinson permet de resoudre efficacement ce
systeme dequations lineaires.

Une fois le vecteur a calcule, le filtre generateur est donne par :


b0
F (z) = nF .
X
i
1+ ai z
i=1

Une estimation de la densite spectrale de puissance est alors donnee par, avec X (0) = 1 :

b20
Sy () = 2
nF
X

1 + ai e2kiTs .

k=1

Exemple On a fait lacquisition dun signal discret represente figure 7.6 avec Ts = 1s. Lanalyse
spectrale par TFD presente un spectre en amplitude plus important au voisinage de la frequence
= 0.015 Hz. A partir de cette acquisition, un filtre generateur du second ordre est recherche par
la methode de Yule Walker a laide de la fonction Matlab aryule. On obtient :
1.06
F (z) = .
1 1.9670z 1 + 0.9768z 2
1
Cette fonction de transfert admet pour poles : 0.9835 0.0976i. Par la relation s = Ts
ln(z), les
poles en temps continu correspondants sont 0.0118 0.0989i ce qui correspond8
7
Sir Gilbert Thomas Walker fut entre les deux guerres un meteorologue dans les Indes britanniques. Sa
preoccupation etait de prevoir les pluies de mousson. Pour cela, il sest interesse aux travaux du statisticien bri-
tannique George Udny Yule qui avait developpe un modele AR dordre nF = 2 pour etudier le phenomene des taches
solaires. Sir Walker a etendu son approche au modele AR dordre nF quelconque.
8
Un systeme du second ordre de gain statique unite (sans zero) est defini par la fonction de transfert :

02
Gc (s) =
s2 + 20 s + 0 2

ou quand les deux poles sont complexes conjugues, ]0, 1[. 0 est appele pulsation propre ou pulsation naturelle et
coefficient damortissement.
La reponse temporelle a un echelon dun systeme du second ordre est definie par deux parametres (voir la figure
7.9) qui sont directement lies a la valeur de la pulsation propre 0 et de lamortissement :
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 177

Echantillons du signal discret Ts=1 Zoom sur [2000, 3000]


200 150

100
100
50

k
0
k

x
x

50
100
100

200 150
0 2000 4000 6000 8000 10000 2000 2200 2400 2600 2800 3000
k k

F IG . 7.6 Acquisition dun signal discret

Analyse spectrale sur 892 chantillons par TFD Analyse spectrale sur 892 chantillons par TFD
7 7

6 6

5 5

4 4
Module

Module

3 3

2 2

1 1

0 0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02

F IG . 7.7 Analyse spectrale

Depassement pour un chelon en fonction de lamortissement


100

90

80

70
Depassement en pourcent

60

50

40

30

20

10

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

F IG . 7.8 Relation entre lamortissement et le depassement de la reponse a un echelon de la


boucle fermee
178 C HAPITRE 7 S IGNAUX D ETERMINISTES ET S IGNAUX A L EATOIRES

Reponse dun systeme du second ordre

1.4
1.5

1.2 Depassement

1.05
1
0.8 0.95
Amplitude

0.6

0.4
0.5

0.2

0
0 0.5 1 1.5 2
temps du premier 0
Time (sec.) 0 2 4 6 8 10 12 14 16 18 20
maximum te

F IG . 7.9 Reponse dun second ordre

Bode Diagrams

ksi = 0,01
20

ksi = 0,1
0
Phase (deg); Magnitude (dB)

ksi = 1
20

40

ksi = 0,01
50

100 ksi = 1

150
ksi = 0,1

0 1 2
10 10 10

Frequency (rad/sec)

F IG . 7.10 Diagramme de Bode de fonctions de transfert du second ordre


G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 179

a une pulsation naturelle de 0.0996 rad/s soit une frequence naturelle de 0.0159 Hz. Ce filtre
generateur est donc coherent avec lanalyse spectrale de depart. Dautre part, le spectre en ampli-
tude de F est represente figure 7.11. La encore, on ne peut que noter la coherence9 .

|F(e2 i Ts)| |F(e2 i Ts)| Zoom

0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.005 0.01 0.015 0.02

F IG . 7.11 Spectre en amplitude de F (z)

Depassement : defini par


Valeur maximale Valeur finale
Depassement =
Valeur finale
soit
Valeur maximale Valeur finale
D1 % = 100 ,
Valeur finale
il est une fonction decroissante de (voir figure 7.8) :


D1 = e 12 (7.4)

Temps du premier maximum :



tmax = p (7.5)
0 1 2

Temps detablissement :
p
3 ln( 1 2 )
te (7.6)
0

Ces caracteristiques sont obtenues a partir de lexpression de la reponse indicielle y(t) en fonction du temps :

e0 t  p 
y(t) = 1 p cos 0 t 1 2
1 2

avec = .
1 2
La reponse frequentielle est representee figure 7.10. Pour 12 , le trace du module presente un maximum de
p
1 2 a la pulsation 0 1 2 2 . De plus, on a |Gc (j0 )| = 2 1
.
2 1
9
Pour generer le signal temporel figure 7.6 a partir de la fonction de transfert F , il serait necessaire de connatre
la realisation du bruit blanc quil est necessaire dappliquer en entree du filtre.
180 C HAPITRE 7 S IGNAUX D ETERMINISTES ET S IGNAUX A L EATOIRES

7.3.2 La methode de Yule-Walker comme solution dun probleme doptimi-


sation
Un examen attentif de lequation de recurrence (7.1) associee au filtre generateur permet din-
terpreter la methode de Yule-Walker comme la solution dun probleme doptimisation. Lequation
(7.1) secrit :
XnF
yk + ai yki = b0 xk .
i=1

Supposons que lon se place a linstant (k1)Ts et qua cet instant ainsi quaux instants precedents
(k 2)Ts , . . . , (k nF )Ts , on connaisse les echantillons du signal y . Lequation de recurrence
permet de relier la valeur de la sortie yk a linstant kTs a ces valeurs :
nF
X
yk = ai yki + b0 xk .
i=1

Lidee est que lon peut utiliser cette relation pour, etant a linstant (k 1)Ts , predire la valeur
de la sortie y a linstant kTs . La difficulte est que lechantillon xk nest pas connu a linstant
(k 1)Ts . De plus, le signal x est un bruit blanc et nous avons vu quun bruit blanc est un signal
dont levolution temporelle est totalement imprevisible. Par suite, il ny a aucun espoir de predire
la valeur de lechantillon de x a linstant kTs si on se place a linstant (k 1)Ts . Une prediction
a linstant (k 1)Ts notee yek de la valeur yk est donc effectuee en negligeant le terme b0 xk :
nF
X
yek = ai yki
i=1

ce qui engendre lerreur : ek = yek yk = b0 xk . On a ainsi defini une variable aleatoire Ek . On


peut demontrer que les coefficients ai obtenus par la methode de Yule-Walker sont tels que la
variance de lerreur V [Ek ] soit minimisee10 . De plus, V [Ek ] = b20 V [X]. Par suite, la variance du
bruit dentree etant 1, on peut deduire de V [Ek ] la valeur de b0 .

Au-dela de permettre le calcul de b0 , ce qui semble etre une simple re-interpretation est en
realite lidee fondamentale dun ensemble important de methodes de filtrages numeriques11 .

7.3.3 Une application des filtres generateurs : le codage LPC en traitement


de la parole
La synthese dun filtre generateur par lapproche de Yule-Walker est le fondement theorique
du codage LPC (Acronyme anglais pour Linear Predictive Coding)12 utilise dans des methodes
classiques de traitement de la parole. Le codage LPC est au cur dun tres grand nombre de
systemes technologiques grand public tels que les systemes de transmission de la parole en
telephonie mobile (GSM) ou par satellite. Lidee est de representer un signal vocal comme la
reponse dun filtre a
Un bruit blanc si le son est non voise ;
10
cest-a-dire tels que la variance de lerreur V [Ek ] soit la plus faible possible.
11
Il sagit des techniques evoquees section 3.6, page 95.
12
Lacronyme anglais LPC ne doit pas etre confondu avec lacronyme francais LPC : Langage Parle Complete.
Le langage parle complete est un langage gestuel utilise pour communiquer avec les sourds. Ce qui est amusant, cest
que les deux LPCs sont deux codages differents utilises pour la transmission de la parole !
G. S CORLETTI V ERSION P ROVISOIRE DU 27 JUILLET 2012 181

Un train dimpulsions si le son est voise.


Un son voise est un son qui est produit par les cordes vocales et qui possede une structure harmo-
nique, voir figure 7.12.

F IG . 7.12 Son voise ou non, source http ://tcts.fpms.ac.be/cours/1005-07-08/speech

La mise en uvre pour la transmission de la voix consiste a mesurer avec une frequence
dechantillonnage s (8kHZ en telephonie mobile) le signal vocal et a proceder toutes les 10
millisecondes a
1. Sur le signal mesure lors des 30 millisecondes ecoulees sur lesquelles une fenetre de Ham-
ming a ete appliquee, la modelisation par un filtre generateur par lapproche de Yule-
Walker13 (calcul des coefficients du filtre generateur) ;
2. Transmission des coefficients ai du filtre generateur avec lindication du signal dentree a
appliquer14 ;
3. Au niveau du recepteur, reconstitution du signal vocal en calculant la sortie du filtre genera-
teur.
Pour s = 8kHz, on utilise des filtres dordre nF = 10. En telephonie mobile (GSM), ce qui est
transmis ce nest donc plus le signal sonore mais par tranche de temps les coefficients du filtre
generateur. Linteret du codage LPC est de permettre la compression de linformation : la trans-
mission des coefficients du filtre generateur engendre un debit dinformation beaucoup plus faible
que la transmission du signal lui-meme15 .

Exercice Essayer destimer leconomie realisee en appliquant cette methode par rapport a une
transmission directe du son.

13
Ainsi quune analyse spectrale pour determiner si le son est voise ou non et si oui la frequence du train dimpul-
sions.
14
Bruit blanc ou train dimpulsions avec sa frequence
15
Pour plus de details sur le traitement de la parole en generale et le codage LPC en particulier, voir par exemple
le site WEB : http ://tcts.fpms.ac.be/cours/1005-07-08/speech
182 C HAPITRE 7 S IGNAUX D ETERMINISTES ET S IGNAUX A L EATOIRES

7.4 Annexe du chapitre : exemples de script Matlab


Le programme Matlab ci-dessous permet de traiter lexemple presente dans la sous-section 4.2.1.

% Signal periodique sous-jacent


lk = 50000;
k = 1:lk;
ck = cos(2*pi*k/50);
% Generation du bruit
rd = rand(1,lk); % Calcul dun vecteur de lk valeurs
% tirees au sort suivant une loi uniforme
rd = rd - mean(rd); % On retranche la moyenne du vecteur
% Signal bruite
ckb = 6*rd+ck;
% Representation des echantillons en fonction de leur
% indice
figure, plot(ckb(1:400))
% Calcul de lautocorrelation du signal
corr_ckb = xcorr(ckb, unbiased);
% Representation de lautocorrelation
figure,
plot(-(lk-1):(lk-1),corr_ckb)
axis([-500, 500, -1, 4])
grid on
Bibliographie

[1] M. Brancovan. Distributions transformation de Fourier et de Laplace. Les Presses de lENSTA, 1990.
[2] M. Doisy. Distributions - operations et derivees. In Techniques de lingenieur, page AF 144, 2004.
Disponible a la bibliotheque Michel Serres, Ecole Centrale de Lyon, format electronique.
[3] M. Doisy. Distributions - convolution et transformee de Fourier. In Techniques de lingenieur, page AF
145, 2005. Disponible a la bibliotheque Michel Serres, Ecole Centrale de Lyon, format electronique.
[4] T. Dutoit and F. Marques. Applied Signal Processing, A MATLAB-Based Proof of Concept. Springer,
2009. Disponible a la bibliotheque Michel Serres, Ecole Centrale de Lyon, cote 621.382 DUT.
[5] C. Gasquet and P. Witomski. Analyse de Fourier et applications, filtrage, calcul numerique, onde-
lettes. Sciences sup. Dunod, 2003. Disponible a la bibliotheque Michel Serres, Ecole Centrale de
Lyon, cote 515.2 GAS.
[6] F. Gilles. Analyse spectrale. Technosup-Supelec, 2001. Disponible a la bibliotheque Michel Serres,
Ecole Centrale de Lyon, cote 621.382 2 FLE.
[7] E.W. Kamen and B.S. Heck. Fundamentals of Signals and Systems using the WEB and MATLAB.
Pearson Prentice Hall, 2007. Disponible a la bibliotheque Michel Serres, Ecole Centrale de Lyon,
cote 621.382 2 KAM.
[8] H. Klee and R. Allen. Simulation of Dynamic Systems. CRC Press, 2011. Disponible a la bibliotheque
Michel Serres, Ecole Centrale de Lyon, cote 003.3 KLE.
[9] T.W. Parks and C.S. Burrus. Digital Filter Design. Topics in Digital Signal Processing. John Wiley
and Sons, New York, 1987.
[10] L. Schwartz. Methodes mathematiques pour les sciences physiques. Enseignement des sciences.
Hermann, 1965. Disponible a la bibliotheque Michel Serres, Ecole Centrale de Lyon, cote 514.7 Sch.
[11] E. Tisserand, J.F. Pautex, and P. Schweitzer. Analyse et Traitement des Signaux. Sciences sup. Dunod.
Disponible a la bibliotheque Michel Serres, Ecole Centrale de Lyon, cote 621.382 2 TIS.

183